رده بندی مدلهای آمیخته بر اساس RSS

در این مقاله برآورد بیشینه پسین حاشیه ای (MMA) پارامترهای مدلهای آمیخته متناهی تحت نمونه گیری مجموعه های رتبه بندی شده (RSS) انجام شده و سپس رده بندی داده های مشاهده شده صورت می گیرد. بدین منظور از الگوریتم حالت افزایی برای برآورد حاشیه ای (SAME) مبتنی بر MCMC استفاده می شود. نتایج نشان می دهد که برآوردگرهای مبتنی بر RSS عملکرد بهتری نسبت به نمونه گیری تصادفی ساده (SRS) دارند و این یافته ها با استفاده از داده های واقعی ماهی اسپات تایید شده اند.

کلیدواژه ها:

محاسبات ، بیزی ، رده بندی ، نمونه گیری مجموعه های رتبه بندی شده ، افزایش حالت برای برآورد حاشیه ای ، طبقه بندی