11 贝叶斯因子与模型比较

查看大图

贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯因子 -> 贝叶斯因子的计算 -> 示例：正态分布模型 -> Python示例代码」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「贝叶斯因子」，再查「贝叶斯因子的计算」。

在上一篇中，我们探讨了模型选择的一个重要方面——模型的复杂度。我们了解了复杂度如何影响模型的表现，并且讨论了如何使用信息准则来评估不同模型。然而，真正的挑战在于如何在多个模型之间进行选择，而贝叶斯因子为此提供了一种有效的工具。

贝叶斯因子

贝叶斯因子（Bayes Factor）是一个用于比较两个模型的指标。设定有两个模型 $M_1$ 和 $M_2$，贝叶斯因子 $\text{BF}_{12}$ 被定义为这两个模型的后验概率之比。具体来说，贝叶斯因子可以表示为：

查看大图

学习贝叶斯因子时，先看两个模型各自如何解释观测数据，再比较证据比值和解释力度。

$$\text{BF}_{12} = \frac{P(\text{数据} | M_1)}{P(\text{数据} | M_2)}$$

这里 $P(\text{数据} | M)$ 是在模型 $M$ 下观察到数据的边际似然。

贝叶斯因子的意思是，在观察到数据后，相对支持 $M_1$ 或 $M_2$ 的程度。如果 $\text{BF}_{12} > 1$，则说明数据更支持模型 $M_1$；反之如果 $\text{BF}_{12} < 1$，则支持模型 $M_2$。

贝叶斯因子的计算

虽然贝叶斯因子看起来很简单，但其计算并非那么易于实现。因为计算 $P(\text{数据} | M)$ 通常需要对所有参数进行积分，这在计算上是昂贵的。对于简单模型，可能会有解析解，但对于复杂模型，通常需要使用数值方法。

查看大图

《贝叶斯因子与模型比较》可以按“场景、概念、动作、结果”来读。先把这四件事对齐，再回到正文里的参数、代码或流程。

我们以一个简单的案例来显示如何计算贝叶斯因子。

示例：正态分布模型

假设我们有一组数据，来自于单个正态分布的观测，我们需要比较两个模型：

• 模型 $M_1$: 假设均值已知，方差未知。
• 模型 $M_2$: 假设均值和方差均未知。

在模型 $M_1$ 下，假设均值为 $\mu_0$，则边际似然可以表示为：

$$P(\text{数据} | M_1) = \text{常数} \cdot \sigma^{-n} \exp\left(-\frac{(x - \mu_0)^2}{2\sigma^2}\right)$$

而在模型 $M_2$ 中，考虑均值和方差均未知的情况，其边际似然的计算较为复杂：

$$P(\text{数据} | M_2) = \int P(\text{数据} | \mu, \sigma) P(\mu) P(\sigma) d\mu d\sigma$$

在这个例子中，通常需要利用马尔科夫链蒙特卡洛（MCMC）方法来评估积分。

Python示例代码

以下是一个简单的 Python 代码示例，演示如何使用 PyMC3 库计算贝叶斯因子。

import numpy as np
import pymc3 as pm

# 生成数据
data = np.random.normal(loc=5.0, scale=2.0, size=100)

# 使用 PyMC3 模型
with pm.Model() as model1:  # 模型 M1
    mu = pm.Normal('mu', mu=5, sigma=1)
    sigma = pm.HalfNormal('sigma', sigma=1)
    likelihood = pm.Normal('likelihood', mu=mu, sigma=sigma, observed=data)
    
    trace1 = pm.sample(1000, return_inferencedata=False)

with pm.Model() as model2:  # 模型 M2
    mu = pm.Normal('mu', mu=0, sigma=10)
    sigma = pm.HalfNormal('sigma', sigma=10)
    likelihood = pm.Normal('likelihood', mu=mu, sigma=sigma, observed=data)
    
    trace2 = pm.sample(1000, return_inferencedata=False)

# 计算边际似然
marginal_likelihood1 = pm.sample_posterior_predictive(trace1)
marginal_likelihood2 = pm.sample_posterior_predictive(trace2)

# 贝叶斯因子
bayes_factor = np.mean(marginal_likelihood1) / np.mean(marginal_likelihood2)
print(f"贝叶斯因子 BF_12: {bayes_factor}")

这个示例中，我们生成了一组正态分布数据，并使用 PyMC3 构建了两个模型，最后计算出贝叶斯因子。

查看大图

如果《贝叶斯因子与模型比较》还没完全消化，可以从这张卡片的四个动作重新走一遍。

查看大图

回看《贝叶斯因子与模型比较》时，不必一次做大项目，先用一条简单样例确认主线是否清楚。

结论

贝叶斯因子是模型选择的重要工具，相比于传统的假设检验方式，它提供了一种更直观的模型比较方法。尽管计算上可能会很复杂，但现代计算工具使得这种计算变得可行。了解贝叶斯因子的计算和意义，为下一步研究 过拟合与正则化 打下了良好的基础。在下一篇中，我们将讨论如何使用正则化技术来改善模型的表现，并有效应对过拟合问题。