Предположительно, цель рекурсивного уравнения для байесовского фактора будет заключаться в том, что вы уже рассчитали байесовский коэффициент для точек данных и хотите иметь возможность обновить его с помощью одной дополнительной точки данных. Кажется, что это можно сделать без пересчета маргиналов предыдущего вектора данных, если известна форма апостериорной функции . Предполагая, что мы знаем форму этой функции (и принимая данные IID, как в вашем вопросе), прогнозирующая плотность может быть записана как:NπN
м ( хn + 1| Икс1, . , , , хN)= ∫Θе( хn + 1| θ) πN( дθ | Икс1, . , , , хN) .
Следовательно, у вас есть:
м ( х1, . , , , хn + 1)= м ( х1, . , , , хN) ∫Θе( хn + 1| θ) πN( дθ | Икс1, . , , , хN) .
Сравнивая два модельных класса с помощью байесовского фактора, мы получаем рекурсивное уравнение:
В12( х1, . , , , хn + 1)= B12( х1, . , , , хN) ⋅ ∫Θ1е( хn + 1| θ) π1 , н( дθ | Икс1, . , , , хN)∫Θ2е( хn + 1| θ) π2 , н( дθ | Икс1, . , , , хN),
Это все еще включает в себя интеграцию по диапазону параметров, поэтому я согласен с вашей точкой зрения, что, по-видимому, нет никакого вычислительного преимущества по сравнению с простым пересчетом коэффициента Байеса через исходную формулу, которую вы даете. Тем не менее, вы можете видеть, что это не требует пересчета предельных значений для предыдущего вектора данных. (Вместо этого мы вычисляем прогнозируемую плотность новой точки данных, зависящую от предыдущих данных, для каждого из классов модели.) Как и вы, я не вижу в этом никакого вычислительного преимущества, если только не произойдет, что эта интегральная формула легко упрощается. В любом случае, я полагаю, это дает вам другую формулу для обновления байесовского фактора.