离散选择模型中基于贝叶斯自动相关性确定的效用函数设定
机器学习
2019-06-11 v1 机器学习
摘要
设定效用函数是应用离散选择框架理解支配用户选择的行为过程的关键步骤。然而，识别最能建模并解释观测选择的最优效用函数设定可能是一项极具挑战且耗时的任务。本文借助贝叶斯框架与自动相关性确定（automatic relevance determination, ARD）的概念，以纯粹数据驱动的方式从指数级规模的可能设定中自动确定最优效用函数设定，从而协助建模者。基于近似贝叶斯推断的最新进展，我们开发了双重随机变分推断，使所提出的 DCM-ARD 模型能够扩展到非常大且高维的数据集。利用半人工选择数据，所提方法被证明能非常准确地恢复支配观测选择的真实效用函数设定。此外，当应用于真实选择数据时，DCM-ARD 被发现能够发现高质量设定，依据多重标准可优于文献中的先前设定，从而证明其实际适用性。
引用
@article{arxiv.1906.03855,
title = {Bayesian Automatic Relevance Determination for Utility Function Specification in Discrete Choice Models},
author = {Filipe Rodrigues and Nicola Ortelli and Michel Bierlaire and Francisco Pereira},
journal= {arXiv preprint arXiv:1906.03855},
year = {2019}
}
备注
21 pages, 2 figures, 11 tables