Approximate Bayesian computation conceptual overview

Autor/Urheber:

Mikael Sunnåker, Alberto Giovanni Busetto, Elina Numminen, Jukka Corander, Matthieu Foll, Christophe Dessimoz

Attribution:

Das Bild ist mit 'Attribution Required' markiert, aber es wurden keine Informationen über die Attribution bereitgestellt. Vermutlich wurde bei Verwendung des MediaWiki-Templates für die CC-BY Lizenzen der Parameter für die Attribution weggelassen. Autoren und Urheber finden für die korrekte Verwendung der Templates hier ein Beispiel.

Shortlink:

https://www.dewiki.de/b/342800

Quelle:

Wikimedia Commons

Größe:

632 x 645 Pixel (314184 Bytes)

Beschreibung:

Parameter Estimation by Approximate Bayesian Computation: a conceptual overview.

Kommentar zur Lizenz:

Diese Abbildung stammt aus einer PLOS-Zeitschrift. Die PLOS-Webseite gibt an, dass die Inhalte aller PLoS-Zeitschriften unter der Creative Commons Namensnennung 2.5-Lizenz stehen.

An den Hochlader:: Bitte unbedingt einen Link (URL) zur Original-Datei oder zum dazugehörigen Artikel angeben.

Bitte in die entsprechende Sub-Kategorie von Category:Media from PLOS journals einsortieren. Danke!

Lizenz:

CC BY 2.5

Credit:

Approximate Bayesian computation (WebCite copy); wiki source for the article
Sunnåker M, Busetto AG, Numminen E, Corander J, Foll M, et al. (2013) Approximate Bayesian Computation. PLoS Comput Biol 9(1): e1002803. doi:10.1371/journal.pcbi.1002803

Bild teilen:

         

Weitere Informationen zur Lizenz des Bildes finden Sie hier. Letzte Aktualisierung: Thu, 25 Apr 2024 04:19:02 GMT

Relevante Artikel

Approximate Bayesian Computation stellt eine Klasse von Berechnungsmethoden in der Bayesschen Inferenz dar. In der modellbasierten statistischen Inferenz ist die Likelihood-Funktion von zentraler Bedeutung, da sie die Wahrscheinlichkeit der beobachteten Daten unter einem bestimmten statistischen Modell ausdrückt und somit die Unterstützung quantifiziert, die Daten Parametern und Modellen geben. Für einfache Modelle kann oft eine analytische Formel für die Likelihood-Funktion abgeleitet werden. Bei komplexeren Modellen kann eine analytische Form jedoch schwer zu finden oder aufwändig auszuwerten sein. .. weiterlesen