贝叶斯数据分析_贝叶斯数据分析（二）

        这次我们接着上次的实例继续讨论，在实例中，我们通过与真实数据之间的对比来筛选随机参数，最后得到一个后验的概率分布，虽然从图中很难看出，但拥有最高概率的签约率是38%。这个38% 就是对于签约率这个参数的最大似然估计，最大似然估计的意思是38%签约率能够使你观察到真实数据的概率最大化。同时，我们也可以用置信区间来估计签约率，即签约率在30-45%的概率是90%。总结来说，这种利用模拟数据进行贝叶斯数据分析的方法叫做近似贝叶斯计算，概念上很好理解但是运算速度慢，另外还有其他更快的方法可以使用，但是他们的结果都是相同的。

        贝叶斯数据分析并不是一类模型，而是一种分析框架，一种思维方式，统计学模型都可以在这个框架中使用，例如不同的机器学习模型就可以和贝叶斯框架结合，有贝叶斯回归模型，贝叶斯决定树模型，贝叶斯神经网络等等。

为什么使用贝叶斯框架分析数据？

        用贝叶斯框架分析数据时，我们有更大的操作空间，除了真实数据以外，我们还可以加入不同的信息，比如一些专家观点，将这些信息与先验概率分布融合。在(一)的实例中我们使用的是均匀概率分布，又名非信息分布(non-informative distribution)。如果我们加入事先知道的信息，那么这个概率分布将会改变，变为信息分布(informative distribution)。当数据量比较少的时候，先验的概率分布会对后验概率分布产生非常大的影响，后验的概率分布将会和先验非常相似，我们可以想象在没有任何数据的情况下，后验和先验的概率分布将会完全相同。但是随着数据不断增加，先验的影响将不断减弱，当数据量非常大的时候，先验的概率分布将不会产生任何影响。

        另外，贝叶斯分析的结果保留了估计参数的不确定性，这在预测和决策分析中非常有用。决策分析是一种在金融/商业领域使用的策略分析，主要关注的并不是参数值结果的多少，而是结果的不确定性、未来收益变动的范围和如何避免不同类型的损失，因为对于金融/商业而言，结果的不确定性意味着风险，而风险管理比收益的大小更加重要。

为什么不使用贝叶斯数据分析？

1. 如果原来的数据分析框架运用时没有出现问题，那么没有必要特地换成贝叶斯数据分析。

2. 如果并不想了解结果的不确定性，也没必要使用贝叶斯框架。

3. 无法满足计算能力的高需求。

        我们可以发现贝叶斯数据分析对于计算能力的要求非常高，我个人的经验是就算是中等以上性能的电脑，运用蒙特卡洛模拟来进行贝叶斯数据分析，在模拟上万次的情况下，起码需要需要10至20分钟的时间，而且这个时间会随着模拟次数和模型的复杂程度的增加而不断增加，因此未来计算机性能的高速发展是推广贝叶斯数据分析的重要基础。

        完结。