Model Bayesian hierarki adalah jenis model statistik Bayesian yang menetapkan probabilitas pada kumpulan variabel acak dengan menetapkan struktur hierarki ke distribusi probabilitas yang mendasarinya. Struktur hierarki memungkinkan setiap variabel acak bergantung pada nilai variabel lain. Model Bayesian hierarki memungkinkan estimasi dan agregasi yang efisien di berbagai kumpulan data yang berbeda.
Dalam model Bayesian hierarki, setiap variabel memiliki distribusi probabilitas prior yang berisi informasi tentang karakteristik variabel tersebut. Misalnya, variabel dengan mean besar dan standar deviasi rendah akan memiliki probabilitas prioritas yang tinggi dibandingkan dengan variabel dengan mean kecil dan standar deviasi tinggi. Hubungan antar variabel digambarkan dengan distribusi prior hirarki yang terdiri dari beberapa lapisan distribusi probabilitas. Hal ini memungkinkan model untuk mewakili distribusi probabilitas yang mendasari data secara lebih rinci daripada distribusi probabilitas tunggal.
Model Bayesian hierarkis dapat digunakan dalam berbagai aplikasi termasuk pembelajaran terawasi, pembelajaran tanpa pengawasan, klasifikasi dan prediksi. Mereka dapat digunakan untuk menyimpulkan distribusi probabilitas tentang parameter dan variabel laten dari data observasi, untuk mendeskripsikan data secara akurat atau untuk membuat prediksi.
Model Bayesian hierarki lebih fleksibel dibandingkan model Bayesian lainnya karena mencakup lebih banyak parameter. Artinya, model Bayesian hierarkis lebih mampu menangkap kompleksitas data yang mendasarinya. Namun, peningkatan fleksibilitas ini juga dapat menyebabkan overfitting pada data, sehingga penting untuk menggunakan nilai parameter yang sesuai.
Secara keseluruhan, model Bayesian hierarki adalah model statistik yang kuat yang memungkinkan estimasi dan agregasi yang efisien di seluruh kumpulan data. Mereka memberikan fleksibilitas dan memungkinkan deskripsi data yang kompleks secara akurat.
