A Bayesian Method for Classification and Discrimination

A Bayesian Method for Classification and Discrimination

We discuss Bayesian analyses of traditional normal-mixture models for classification and discrimination. The development involves application of an iterative resampling approach to Monte Carlo inference, commonly called Gibbs sampling, and demonstrates routine application. We stress the benefits of...

Ausführliche Beschreibung

Bibliographische Detailangaben
Veröffentlicht in:The Canadian Journal of Statistics / La Revue Canadienne de Statistique. - Statistical Society of Canada / Société statistique du Canada. - 20(1992), 4, Seite 451-461
1. Verfasser: Lavine, Michael (VerfasserIn)
Weitere Verfasser: West, Mike
Format: Online-Aufsatz
Sprache:English
Veröffentlicht: 1992
Zugriff auf das übergeordnete Werk:The Canadian Journal of Statistics / La Revue Canadienne de Statistique
Schlagworte:Bayesian computations Classification Discrimination Mixtures of normals Posterior sampling Behavioral sciences Political science Mathematics Physical sciences Applied sciences
LEADER 01000caa a22002652 4500
001 JST022956654
003 DE-627
005 20240620101659.0
007 cr uuu---uuuuu
008 150324s1992 xx |||||o 00| ||eng c
035 |a (DE-627)JST022956654 
035 |a (JST)3315614 
040 |a DE-627  |b ger  |c DE-627  |e rakwb 
041 |a eng 
084 |a 62430  |2 MSC 
084 |a 62F15  |2 MSC 
084 |a 65U05  |2 MSC 
100 1 |a Lavine, Michael  |e verfasserin  |4 aut 
245 1 2 |a A Bayesian Method for Classification and Discrimination 
264 1 |c 1992 
336 |a Text  |b txt  |2 rdacontent 
337 |a Computermedien  |b c  |2 rdamedia 
338 |a Online-Ressource  |b cr  |2 rdacarrier 
520 |a We discuss Bayesian analyses of traditional normal-mixture models for classification and discrimination. The development involves application of an iterative resampling approach to Monte Carlo inference, commonly called Gibbs sampling, and demonstrates routine application. We stress the benefits of exact analyses over traditional classification and discrimination techniques, including the ease with which such analyses may be performed in a quite general setting, with possibly several normal-mixture components having different covariance matrices, the computation of exact posterior classification probabilities for observed data and for future cases to be classified, and posterior distributions for these probabilities that allow for assessment of second-level uncertainties in classification. /// Les auteurs s'intéressent à l'analyse bayésienne des modèles traditionnels de classification ou de discrimination dans lesquels interviennent des mélanges de lois normales. Leur travail porte plus particulièrement sur l'application d'une procédure de ré-échantillonnage itérative à une méthode inférentielle de type Monte-Carlo, communément appelée l'échantillonnage de Gibbs. Ils font valoir les avantages que comportent les analyses exactes par rapport aux techniques traditionnelles de classification et de discrimination. Ils illustrent entre autres avec quelle facilité il est possible d'effectuer de telles analyses, même lorsque les matrices de variances-covariances des lois normales qui composent le mélange différent. Ils montrent aussi comment effectuer de façon exacte le calcul des probabilitiés de classification a posteriori d'observations passées et futures, ainsi que celui des lois a posteriori associées à ces probabilités, ce qui permet d'évaluer l'incertitude du deuxième ordre rattachée au processus de classification. 
540 |a Copyright 1992 Statistical Society of Canada / Société Statistique du Canada 
650 4 |a Bayesian computations 
650 4 |a Classification 
650 4 |a Discrimination 
650 4 |a Mixtures of normals 
650 4 |a Posterior sampling 
650 4 |a Behavioral sciences  |x Psychology  |x Cognitive psychology  |x Cognitive processes  |x Thought processes  |x Reasoning  |x Inference 
650 4 |a Political science  |x Government  |x Public administration  |x Public policy  |x Information policy  |x Classified information 
650 4 |a Mathematics  |x Mathematical procedures  |x Approximation 
650 4 |a Mathematics  |x Pure mathematics  |x Linear algebra  |x Matrix theory  |x Matrices 
650 4 |a Physical sciences  |x Physics  |x Mechanics  |x Classical mechanics  |x Kinetics  |x Translational motion  |x Degrees of freedom 
650 4 |a Applied sciences  |x Research methods  |x Modeling 
650 4 |a Mathematics  |x Applied mathematics  |x Statistics  |x Applied statistics  |x Descriptive statistics  |x Statistical distributions  |x Distribution functions  |x Probability distributions  |x Continuous probability distributions  |x T distribution 
655 4 |a research-article 
700 1 |a West, Mike  |e verfasserin  |4 aut 
773 0 8 |i Enthalten in  |t The Canadian Journal of Statistics / La Revue Canadienne de Statistique  |d Statistical Society of Canada / Société statistique du Canada  |g 20(1992), 4, Seite 451-461  |w (DE-627)320465527  |w (DE-600)2007833-X  |x 03195724  |7 nnns 
773 1 8 |g volume:20  |g year:1992  |g number:4  |g pages:451-461 
856 4 0 |u https://www.jstor.org/stable/3315614  |3 Volltext 
912 |a GBV_USEFLAG_A 
912 |a SYSFLAG_A 
912 |a GBV_JST 
912 |a GBV_ILN_11 
912 |a GBV_ILN_20 
912 |a GBV_ILN_22 
912 |a GBV_ILN_24 
912 |a GBV_ILN_31 
912 |a GBV_ILN_39 
912 |a GBV_ILN_40 
912 |a GBV_ILN_60 
912 |a GBV_ILN_62 
912 |a GBV_ILN_63 
912 |a GBV_ILN_65 
912 |a GBV_ILN_69 
912 |a GBV_ILN_70 
912 |a GBV_ILN_90 
912 |a GBV_ILN_100 
912 |a GBV_ILN_110 
912 |a GBV_ILN_120 
912 |a GBV_ILN_285 
912 |a GBV_ILN_374 
912 |a GBV_ILN_702 
912 |a GBV_ILN_2001 
912 |a GBV_ILN_2003 
912 |a GBV_ILN_2005 
912 |a GBV_ILN_2006 
912 |a GBV_ILN_2007 
912 |a GBV_ILN_2008 
912 |a GBV_ILN_2009 
912 |a GBV_ILN_2010 
912 |a GBV_ILN_2011 
912 |a GBV_ILN_2014 
912 |a GBV_ILN_2015 
912 |a GBV_ILN_2018 
912 |a GBV_ILN_2020 
912 |a GBV_ILN_2021 
912 |a GBV_ILN_2026 
912 |a GBV_ILN_2027 
912 |a GBV_ILN_2044 
912 |a GBV_ILN_2050 
912 |a GBV_ILN_2056 
912 |a GBV_ILN_2057 
912 |a GBV_ILN_2061 
912 |a GBV_ILN_2088 
912 |a GBV_ILN_2107 
912 |a GBV_ILN_2110 
912 |a GBV_ILN_2190 
912 |a GBV_ILN_2938 
912 |a GBV_ILN_2947 
912 |a GBV_ILN_2949 
912 |a GBV_ILN_2950 
912 |a GBV_ILN_4012 
912 |a GBV_ILN_4035 
912 |a GBV_ILN_4037 
912 |a GBV_ILN_4046 
912 |a GBV_ILN_4112 
912 |a GBV_ILN_4126 
912 |a GBV_ILN_4242 
912 |a GBV_ILN_4251 
912 |a GBV_ILN_4305 
912 |a GBV_ILN_4306 
912 |a GBV_ILN_4307 
912 |a GBV_ILN_4313 
912 |a GBV_ILN_4322 
912 |a GBV_ILN_4323 
912 |a GBV_ILN_4325 
912 |a GBV_ILN_4335 
912 |a GBV_ILN_4346 
912 |a GBV_ILN_4392 
912 |a GBV_ILN_4393 
912 |a GBV_ILN_4700 
951 |a AR 
952 |d 20  |j 1992  |e 4  |h 451-461