추정 과정 조정

rstanarm으로 배우는 Bayesian 회귀 모델링

Jake Thompson

Psychometrician, ATLAS, University of Kansas

발산 전이

1: 워밍업 후 15개의 발산 전이가 발생했습니다. adapt_delta를
0.8 이상으로 늘리면 도움이 될 수 있습니다.
  • 추정기의 스텝이 너무 큼
  • 스텝 크기 조정
stan_model <- stan_glm(popularity ~ song_age, data = songs,
  control = list(adapt_delta = 0.95))

stan_model <- stan_glm(popularity ~ song_age, data = songs,
  control = list(adapt_delta = 0.99))
rstanarm으로 배우는 Bayesian 회귀 모델링

최대 트리 깊이 초과

체인 1이 최대 트리 깊이에 도달했습니다
  • 샘플은 분기를 평가하며 적절한 “U-턴” 지점을 탐색함
  • 최대 트리 깊이 도달은 비효율성을 의미
stan_model <- stan_glm(popularity ~ song_age, data = songs,
  control = list(max_treedepth = 10))

stan_model <- stan_glm(popularity ~ song_age, data = songs,
  control = list(max_treedepth = 15))
rstanarm으로 배우는 Bayesian 회귀 모델링

추정 튜닝

  • 추정 오류는 모델의 타당성을 위협함
  • 복잡해 보여도, 쉽게 대응 가능
rstanarm으로 배우는 Bayesian 회귀 모델링

연습해 봅시다!

rstanarm으로 배우는 Bayesian 회귀 모델링

Preparing Video For Download...