伯特兰·克拉克 当模型近似误差不能忽略时，比较贝叶斯模型平均和叠加。 （英语） Zbl 1102.68488号 J.马赫。学习。物件。 第4期，第4期，第683-712页（2004年）. 摘要：我们将贝叶斯模型平均（BMA）与称为叠加的非贝叶斯形式的模型平均进行了比较。在叠加中，权重不再是模型的后验概率；它们是通过基于交叉验证的技术获得的。当正确的数据生成模型（DGM）出现在考虑中的模型列表中时，如果噪声水平与系数和解释变量相称，则BMA永远不会比叠加差，而且通常会明显好。然而，在这里，我们关注的是这样一种情况，即正确的DGM不在模型列表中，并且可能无法通过模型列表中的元素很好地近似。我们通过选择模型列表和DGM给出了一系列计算示例，以对比堆叠和BMA的风险性能。在第一个示例中，选择模型列表以反映应该具有良好性能的几何原理。在这些情况下，堆叠通常优于BMA，有时甚至相差很大。在第二组示例中，我们研究了当模型列表包含一组潜在预测因子的所有子集时，堆叠和BMA的执行情况。当我们在此设置中对术语和系数的大小进行标准化时，我们发现当DGM中的偏差项“指向”模型列表所容纳的方向时，BMA的性能优于堆叠，但当偏差项指向模型列表堆叠之外时，效果似乎更好。总的来说，我们的结果表明，在最重要的设置中，堆叠比BMA具有更好的鲁棒性。 引用于14文件 理学硕士： 68问题32 计算学习理论 关键词：型号选择 PDF格式BibTeX公司 XML格式引用 \textit{B.克拉克}，J.马赫。学习。第4号决议，第4号，683--712（2004；Zbl 1102.68488） 全文： 内政部