İstatistikler ve Büyük Veri

R'de glm kullanarak lojistik regresyon modeli yaptım. İki bağımsız değişkenim var. Modelimin karar sınırını iki değişkenin dağılım grafiğinde nasıl çizebilirim. Örneğin, şu şekilde bir çizimi nasıl çizebilirim : http://onlinecourses.science.psu.edu/stat557/node/55 Teşekkürler.

16 r  logistic 

Scikit, modellerimizi belirli bir X, y çiftinde kalibre etmemizi sağlayan CalibratedClassifierCV'ye sahiptir . Ayrıca açıkça belirtiyor kidata for fitting the classifier and for calibrating it must be disjoint. Ayrılmaları gerekiyorsa, sınıflandırıcıyı aşağıdakilerle eğitmek meşru mudur? model = CalibratedClassifierCV(my_classifier) model.fit(X_train, y_train) Aynı eğitim setini kullanarak disjoint datakuralı ihlal ettiğimden korkuyorum . …

16 cross-validation  scikit-learn  validation  train  calibration 

Bir veri setini bir sabit efekt (durum) ve iki rastgele efekt (katılımcı konu tasarımı ve çifti nedeniyle katılımcı) ile karışık efektler modeli kullanarak analiz ediyorum. Model ile oluşturulan lme4paket: exp.model<-lmer(outcome~condition+(1|participant)+(1|pair),data=exp). Sonra, bu modelin sabit etki (durum) olmadan modele karşı bir olasılık oranı testi yaptım ve önemli bir farkım var. Veri …

16 r  repeated-measures  multiple-comparisons  post-hoc  lsmeans  bayesian  posterior  marginal  integral  anova  time-series  regularization  machine-learning  pca  computational-statistics  references  inference  regression  cross-validation  python  random-forest  chi-squared  spearman-rho  r  machine-learning  confidence-interval  bagging  clustering  feature-selection  model-selection  bic  hypothesis-testing  kurtosis  r  regression  residuals  terminology 

Sıralama algoritmaları için birkaç farklı metriğe bakmakla ilgileniyorum - Sıralama için wikipedia Öğrenme sayfasında listelenen birkaç tane var: • Ortalama ortalama hassasiyet (MAP); • DCG ve NDCG; • Hassasiyet @ n, NDCG @ n; burada "@n", metriklerin yalnızca ilk n belge üzerinde değerlendirildiğini gösterir; • Ortalama karşılıklı sıralama; • Kendall's …

16 algorithms  ranking 

Aynı işi yapan farklı kütüphanelerden iki farklı yöntem hakkında bir sorum var. Doğrusal regresyon modeli yapmaya çalışıyorum. OLS ile istatistik modeli kitaplığını kullandığım kod: X_train, X_test, y_train, y_test = cross_validation.train_test_split(x, y, test_size=0.3, random_state=1) x_train = sm.add_constant(X_train) model = sm.OLS(y_train, x_train) results = model.fit() print "GFT + Wiki / GT R-squared", …

16 regression  python  scikit-learn  statsmodels 

Gamma ve Weibull dağılımlarının ardındaki sezgi arasındaki fark nedir? İki yoğunluk arasında bir ilişki var mı? Kibarca yardım.

16 gamma-distribution  weibull 

Öngörülen bir değişken (P), rastgele bir efekt (R) ve sabit bir etki (F) göz önüne alındığında, iki * karışık efekt modeli ( lme4 sözdizimi) sığabilir : m1 = lmer( P ~ (1|R) + F ) m2 = lmer( P ~ (1+F|R) + F) Anladığım kadarıyla, ikinci model, sabit etkinin rastgele …

16 mixed-model 

http://www.chioka.in/differences-between-l1-and-l2-as-loss-function-and-regularization/ Bu yazının üst kısmına bakarsanız, yazar L2 normunun benzersiz bir çözüme sahip olduğunu ve L1 normunun muhtemelen birçok çözüme sahip olduğunu belirtir. Bunu normalleştirme açısından anlıyorum, ancak kayıp fonksiyonunda L1 normunu veya L2 normunu kullanma açısından değil. Skaler x (x ^ 2 ve | x |) işlevlerinin grafiklerine bakarsanız, …

16 regression  lasso  regularization 

Yolo v2 kaybı işlevini anlamaya çalışıyorum: λcoord∑i=0S2∑j=0B1objij[(xi−x^i)2+(yi- y^ben)2]+ λc o o r dΣi = 0S2Σj = 0B1o b jben j[ ( wben--√- w^ben--√)2+ ( sben--√- h^ben--√)2]+ ∑i = 0S2Σj = 0B1o b jben j( Cben- C^ben)2+ λn o o b jΣi = 0S2Σj = 0B1n o o b jben j( …

16 neural-networks  loss-functions  object-detection  yolo 

AUC-ROC değerleri 0-0.5 arasında olabilir mi? Model hiç 0 ile 0,5 arasında değer verir mi?

16 roc  model-evaluation  auc 

Özelliklerin F-regressionetiketle ilişkilendirilmesi ile aynı özellikleri kullanarak karşılaştırmak ve değerini gözlemlemek mi?R2R2R^2 Sık sık meslektaşlarımın F regressionmakine öğrenme kanalında bir özellik seçimi için kullandığını gördüm sklearn: sklearn.feature_selection.SelectKBest(score_func=sklearn.feature_selection.f_regression...)` Bazıları bana söyle - neden sadece etiket / bağımlı değişkenle ilişkilendirmekle aynı sonuçları veriyor? F_regressionÖzellik seçiminde kullanmanın avantajı bana açık değil . İşte …

16 feature-selection  python  scikit-learn  r-squared  f-test 

Diyelim ki bir modelimiz var mod <- Y ~ X*Condition + (X*Condition|subject) # Y = logit variable # X = continuous variable # Condition = values A and B, dummy coded; the design is repeated # so all participants go through both Conditions # subject = random effects for different …

16 mixed-model  lme4-nlme  overfitting  singular 

Hassasiyet şu şekilde tanımlanır: p = gerçek pozitifler / (gerçek pozitifler + yanlış pozitifler) (Doğru pozitif + yanlış pozitif) = 0 ise hassasiyetin değeri nedir? Sadece tanımsız mı? Hatırlama için aynı soru: r = gerçek pozitifler / (gerçek pozitifler + yanlış negatifler) Bu durumda, (gerçek pozitifler + yanlış negatifler) = …

16 precision-recall 

İ) SGD ve ii) Adam Optimizer kullanarak bir sinir ağı eğitimi alıyorum. Normal SGD kullanırken, aşağıda görüldüğü gibi (kırmızı olan) iterasyon eğrisine karşı pürüzsüz bir eğitim kaybı yaşarım . Ancak, Adam Optimizer'ı kullandığımda, eğitim kaybı eğrisinde bazı artışlar var. Bu ani yükselişlerin açıklaması nedir? Model Detayları: 14 giriş düğümü -> …

16 neural-networks  deep-learning  adam 

Ben (diğerleri arasında) Graves 'foneme sınıflandırma 2005 makalesi üzerinden etiketleme RNNs üst düzey uygulama anlamaya çalışıyorum . Sorunu özetlemek gerekirse: Tek cümlelerin (giriş) ses dosyalarından ve (çıktı) uzman etiketli başlangıç ​​zamanlarından, durma zamanlarından ve tek tek telefon seslerinin etiketlerinden (sessizlik gibi birkaç "özel" telefonemden oluşan büyük bir eğitim setimiz var, …

16 lstm  rnn