勒特里;伯特兰·克拉克 对\(mathcal{M}\)-完成和\(mathcal{M{\)-打开设置堆叠的Bayes解释。 (英语) Zbl 1384.62298号 贝叶斯分析。 12,第3期,807-829(2017). 摘要:在(mathcal{M})-开放问题中,没有真正的模型可以概念化,通常放弃建模,只寻求良好的预测。即使在(mathcal{M})完全问题中,采用预测方法也非常有用。叠加是一种模型平均程序,通过使用优化交叉验证标准的权重组合模型列表中的单个预测值,从而得出复合预测值。我们表明,堆叠权重也会渐近最小化后验期望损失。因此,我们正式为交叉验证提供了贝叶斯证明。通常,权重被限制为正值,并求和为1。为了获得更大的通用性,我们省略了正约束,并放宽了“和为一”约束。一个关键问题是“平均预测值应该是多少?”我们首先验证堆叠误差仅取决于模型的跨度。然后,我们建议使用自举样本从数据中生成可用于形成模型的经验基础元素。我们在两个计算示例中使用这一点来给出堆叠预测因子,这些预测因子是(i)数据驱动的,(ii)相对于分量预测因子的数量而言最优的,以及(iii)相对于每个预测因子获得的权重而言最优的。 引用于6文件 理学硕士: 62M20型 随机过程推断和预测 62C10个 贝叶斯问题;贝叶斯过程的特征 关键词:堆叠;交叉验证;贝叶斯行动;预测;问题类;优化约束 PDF格式BibTeX公司 XML格式引用 \textit{T.Le}和\textit{B.Clarke},贝叶斯分析。12,第3号,807--829(2017;Zbl 1384.62298) 全文: 内政部 arXiv公司 欧几里得