☆ सहेजें Posterior Correction — prior में बदलाव के अनुसार posterior probability को पुनर्गणना करने वाली Bayesian विधि

07/23/2026

Posterior Correction एक Bayesian आधारित विधि है, जो model द्वारा training data से सीखी गई posterior probability को वास्तविक environment में बदले हुए class prior के अनुसार फिर से calculate करती है। इसका मुख्य उद्देश्य यह है कि input x और class के बीच संबंध बताने वाली likelihood को स्थिर रखा जाए और केवल class frequency को दर्शाने वाले prior को बदलकर probability estimate को नए संदर्भ के अनुसार समायोजित किया जाए। यह तरीका विशेष रूप से Label Shift जैसी स्थितियों में उपयोगी होता है, जहाँ P(y) बदलता है लेकिन P(x|y) में महत्वपूर्ण बदलाव नहीं होता।

आसान उदाहरण: मान लीजिए किसी बीमारी की पहचान करने वाला model किसी विशेष लक्षणों के आधार पर बीमारी की संभावना 10% बताता है। लेकिन यदि नए environment में वही बीमारी पहले की तुलना में अधिक सामान्य हो गई है, तो यह probability वास्तविक जोखिम को कम दर्शा सकती है। इस स्थिति में लक्षणों से जुड़ी जानकारी यानी likelihood को बदलने की आवश्यकता नहीं होती। केवल बीमारी के नए occurrence rate यानी prior को शामिल करके posterior probability को दोबारा adjust किया जाता है। यही प्रक्रिया Posterior Correction कहलाती है।

Likelihood को बनाए रखते हुए केवल prior को बदलकर posterior probability को फिर से calculate किया जाता है।

विधि (कार्य सिद्धांत और मुख्य विशेषताएँ)

• लागू होने की शर्तें

  • Posterior Correction हर प्रकार के distribution shift के लिए उपयुक्त नहीं है।
  • यह मानता है कि class prior P(y) बदल गया है, जबकि class conditional distribution P(x|y) लगभग समान बना रहता है।
  • इसका अर्थ है कि input x और किसी class के बीच संबंध को दर्शाने वाली likelihood में बदलाव नहीं होता।
  • जब यह assumption सही होती है, तभी केवल prior को बदलकर posterior probability को सही तरीके से recalibrate किया जा सकता है।

• Posterior Probability की संरचना

  • Posterior को likelihood और prior के संयोजन के रूप में समझा जा सकता है।
  • Model का initial output पुराने prior distribution पर आधारित posterior probability होता है।
  • जब वास्तविक environment में class distribution बदलता है, तब नए prior को शामिल करना आवश्यक हो जाता है।
  • Likelihood समान रहने के कारण prior ratio के माध्यम से posterior probability को दोबारा adjust किया जा सकता है।

• Posterior Correction की गणना

  • सबसे पहले प्रत्येक class के लिए new prior और old prior का ratio निकाला जाता है।
  • इसके बाद पुराने posterior probability को इस ratio से multiply करके corrected score प्राप्त किया जाता है।
  • सभी classes के scores को जोड़कर normalization factor तैयार किया जाता है।
  • अंत में प्रत्येक score को कुल योग से divide करके final posterior probability प्राप्त होती है।

• \[ P_{new}(y \mid x) \propto P_{old}(y \mid x)\cdot \frac{P_{new}(y)}{P_{old}(y)} \]

  \[ P_{new}(y \mid x)=\frac{P_{old}(y \mid x)\cdot \frac{P_{new}(y)}{P_{old}(y)}}{\sum_{y’} P_{old}(y’ \mid x)\cdot \frac{P_{new}(y’)}{P_{old}(y’)}} \]

  Prior ratio से correction करने के बाद normalization द्वारा probability को दोबारा valid distribution में बदला जाता है।

• सरल गणना उदाहरण

  • मान लें training data में positive class का prior 0.05 है, जबकि वास्तविक environment में यह बढ़कर 0.20 हो गया है।
  • Correction ratio (new prior / old prior) के अनुसार positive class के लिए 0.20 / 0.05 = 4 गुना और negative class के लिए 0.80 / 0.95 ≈ 0.84 गुना adjustment प्राप्त होता है।
  • यदि model positive class के लिए 0.10 और negative class के लिए 0.90 probability देता है, तो इन्हें क्रमशः 0.10 × 4 = 0.40 और 0.90 × 0.84 ≈ 0.756 में बदला जाता है।
  • इन values को सीधे final probability के रूप में उपयोग नहीं किया जाता। कुल योग 1.156 से normalization करने के बाद positive class की नई probability 0.40 / 1.156 ≈ 0.346 प्राप्त होती है।

• मुख्य समझने योग्य बातें

  • Probability किसी एक class में केवल समान अनुपात से नहीं बढ़ती, बल्कि सभी classes के बीच relative redistribution होता है।
  • क्योंकि सभी classes एक साथ adjust होती हैं, इसलिए final probability हमेशा normalized रहती है।
  • इसका प्रभाव अधिक frequent classes की ओर probability shift के रूप में दिखाई देता है।
  • Posterior Correction का उद्देश्य model को बदलना नहीं, बल्कि बदली हुई परिस्थितियों में probability estimate को सही तरीके से interpret करना है।

• व्यावहारिक उपयोग और सीमाएँ

  • Model को दोबारा train किए बिना distribution change के अनुसार prediction probability को adjust किया जा सकता है।
  • Label Shift की स्थिति में यह तरीका विशेष रूप से प्रभावी साबित होता है।
  • हालाँकि, यदि prior estimation गलत है, तो corrected probability भी गलत दिशा में जा सकती है।
  • यदि input distribution में भी बदलाव हो जाता है, तो केवल Posterior Correction पर्याप्त नहीं होता और अतिरिक्त adaptation methods की आवश्यकता पड़ती है।

महत्व और सीमाएँ

Posterior Correction एक सरल लेकिन प्रभावी Bayesian approach है, जो prior में हुए बदलावों को ध्यान में रखकर posterior probability को नए environment के अनुसार समायोजित करती है। विशेष रूप से Label Shift की स्थिति में यह model retraining के बिना prediction probability को अधिक वास्तविक बनाने में मदद करती है। हालांकि, इसकी सफलता इस assumption पर निर्भर करती है कि P(x|y) स्थिर बना रहे। वास्तविक applications में prior estimation error और input distribution shift एक साथ दिखाई दे सकते हैं। इसलिए Posterior Correction को distribution shift handling के लिए एक उपयोगी तकनीक के रूप में उपयोग करना चाहिए, लेकिन इसे पूर्ण समाधान नहीं मानना चाहिए। बेहतर परिणामों के लिए इसे अन्य adaptation methods के साथ संयोजन में लागू करना अधिक उपयुक्त होता है।

पहले पढ़ने के लिए सुझाए गए लेख (3/5)

+2

• Posterior Inference — कठिन Posterior को व्यवहार में कैसे अनुमानित किया जाता है
• Posterior Distribution — Bayesian Inference में Observed Data से Probability कैसे अपडेट होती है
• Intractable Posterior — Bayesian Inference में Approximate Inference की ज़रूरत क्यों पड़ती है

• Prior Distribution — Bayesian Inference में डेटा देखने से पहले संभावनाएँ तय करने का सिद्धांत
• Approximate Inference — जटिल Posterior Distribution का कुशल अनुमान लगाने की तकनीक

आगे पढ़ने के लिए सुझाए गए लेख (5/17)

+5

• Posterior Expectation — Posterior Distribution से औसत अनुमान कैसे निकाला जाता है
• Normalizing Constant — Probability Distribution को पूरा करने का आधार
• Markov Chain Monte Carlo (MCMC) — Parameter State की Sampling से Posterior का अनुमान लगाने का सिद्धांत
• 8.5 Approximate Inference — MCMC और Variational Inference से Posterior का अनुमान
• Metropolis-Hastings Algorithm — MCMC से Posterior Sampling का सिद्धांत

• Gibbs Sampling — Posterior Sampling के लिए Parameters को क्रम से update करने की प्रक्रिया
• High-Probability Region — Machine Learning डेटा वितरण के महत्त्वपूर्ण क्षेत्रों को कैसे पहचानता है
• Parameterized Probability Distribution — Probability Model Parameters के जरिए Data Distribution कैसे सीखता है
• Valid Probability Distribution — Probability को 1 पर Normalize करना क्यों ज़रूरी है
• Joint Distribution Modeling — AI में Variables के बीच संबंध सीखने का Probability सिद्धांत

• High-Dimensional Probability Distribution — Machine Learning उच्च-आयामी डेटा की Probability Structure कैसे सीखता है
• Unnormalized Probability Model — Probability Distribution से पहले Unnormalized Score क्यों इस्तेमाल किए जाते हैं
• Stationary Distribution — Markov Chain में दीर्घकालिक Probability Distribution कैसे स्थिर होती है
• Markov Chain — Transition Probability से State का प्रवाह कैसे बनता है
• Parametric Approximation — Probability Model से Data Distribution का अनुमान कैसे लगाया जाता है
• Isotropic Gaussian Distribution — Covariance Matrix से समान Variance वाले Probability Model को समझना
• Stochastic Inference — AI अनिश्चितता में संभावित परिणामों का अनुमान कैसे लगाता है

इसी विषय के लेख (0/0)

इस अनुभाग में अभी कोई अन्य लेख नहीं है।

संबंधित अवधारणाएँ (0/0)

अभी संबंधित अवधारणाओं पर कोई लेख नहीं है।

📍 AI सीखने के नक्शे में इस अवधारणा की जगह

देखें कि यह अवधारणा पूरे AI Universe में कहाँ स्थित है।

📍 AI Universe में वर्तमान स्थान

☰

रीसेट पूर्ण किए गए दिखाएँ · लॉगिन आवश्यक लोड हो रहा है…

🌌 AI Universe

‹

›

⭐ अवधारणा

कोई तारा चुनें।

पूरा AI Universe देखें

« Out-of-Distribution (OOD…|Self-Improving System —… »

🔖 टैग: Bayesian Inference · label shift · likelihood · Machine Learning · posterior correction · prior probability · probability calibration