分层部分池化，续：使用 TensorFlow Probability 改变斜率模型

在上一篇文章中，我们展示了如何使用 tfprobability（TensorFlow Probability 的 R 接口）构建一个多级或部分池化模型，用于分析不同大小（因此栖息者数量也不同）水箱中的蝌蚪存活情况。

上一篇文章 tfprobability 多级 部分池化

完全池化模型将得出与水箱无关的全局存活数量估计，而非池化模型将学会分别预测每个水箱的存活数量。前一种方法没有考虑到不同的情况；后者没有利用共同的信息。 （此外，除非我们想对用于训练模型的相同实体进行预测，否则它显然没有预测用途。）

池化 非池化

相比之下，部分池化模型可让您对熟悉的实体以及新实体进行预测：只需使用适当的先验即可。

部分池化

假设我们实际上对相同的实体感兴趣 - 我们为什么要应用部分池化？出于同样的原因，机器学习中投入了大量精力来设计正则化机制。我们不想对实际测量值进行过度拟合，无论它们是与同一实体还是一类实体相关。如果我想根据现在进行的单次测量来预测第二天早上醒来时的心率（假设现在是晚上，我正在疯狂地输入博客文章），我最好考虑一些有关心率行为的事实（而不是仅仅将现在测量的确切值投射到未来）。

是 收缩 变化截距 随机截距 截距 斜率 关系

因此，正如您现在可能已经猜到的那样，变化斜率（或者如果您愿意的话，随机斜率）是今天帖子的主题。再次，我们从 McElreath 的书中举了一个例子，并展示了如何使用 tfprobability 完成同样的事情。

变化斜率 随机斜率 tfprobability

请来杯咖啡

变化斜率 亲社会 Stan 等待 截距 斜率 Café Gerbeaud tfprobability a <- 3.5 a