可能的重复:
贝叶斯和常客方法给出不同答案的例子
有哪些实际示例表明贝叶斯方法优于频率统计方法?您知道贝叶斯模型优于传统方法的成功案例吗?
更成功的意思是“更好的预测”或“导致更有价值的见解”或“更容易解释”。
示例不应讨论例如可信区间与置信区间的哲学性质及其更“直观”的解释。
也许贝叶斯垃圾邮件过滤可能是一个起点,但我对此知之甚少。
可能与这个问题有关: 贝叶斯和常客方法的例子给出不同的答案
可能的重复:
贝叶斯和常客方法给出不同答案的例子
有哪些实际示例表明贝叶斯方法优于频率统计方法?您知道贝叶斯模型优于传统方法的成功案例吗?
更成功的意思是“更好的预测”或“导致更有价值的见解”或“更容易解释”。
示例不应讨论例如可信区间与置信区间的哲学性质及其更“直观”的解释。
也许贝叶斯垃圾邮件过滤可能是一个起点,但我对此知之甚少。
可能与这个问题有关: 贝叶斯和常客方法的例子给出不同的答案
Adrian Raftery 研究了一组关于 19 世纪英国煤矿中煤尘爆炸的统计数据。频率论技术表明,煤矿事故率随时间逐渐变化。出于好奇,Raftery 对贝叶斯定理进行了实验,发现事故率在 1890 年代初突然下降。一位历史学家提出了原因:1889 年,矿工们组成了一个安全联盟。
来自贝叶斯定理的历史。原始论文在这里,虽然我会建议PyMC 文献中的例子更清楚(即更少积分哈哈)
此外,在另一篇文章中,有来自 (非常易于访问的 pdf)The Table Game 的 Table Game。两种提议的解决方案,贝叶斯和常客,非常不同(只有一个是正确的!)。