İstatistikler ve Büyük Veri

İstatistik, makine öğrenmesi, veri analizi, veri madenciliği ve veri görselleştirmesi ile ilgilenen kişiler için soru cevap

2
Pdf
Varsayalım X1,X2,...,XnX1,X2,...,XnX_1, X_2,...,X_n gelen istatistiksel bağımsız olarak N(μ,σ2)N(μ,σ2)N(\mu,\sigma^2) Bilinmeyen ile μ∈Rμ∈R\mu \in \mathcal R ve σ2>0σ2>0\sigma^2>0 Let Z=X1−X¯S,Z=X1−X¯S,Z=\frac{X_1-\bar{X}}{S},S buradaki standart sapmadır. ZZZ Lebesgue pdf'sine sahip olduğu gösterilebilir f(z)=n−−√Γ(n−12)π−−√(n−1)Γ(n−22)[1−nz2(n−1)2]n/2−2I(0,(n−1)/n√)(|Z|)f(z)=nΓ(n−12)π(n−1)Γ(n−22)[1−nz2(n−1)2]n/2−2I(0,(n−1)/n)(|Z|)f(z)=\frac{\sqrt{n} \Gamma\left(\frac{n-1}{2}\right)}{\sqrt{\pi}(n-1)\Gamma\left(\frac{n-2}{2}\right)}\left[1-\frac{nz^2}{(n-1)^2}\right]^{n/2-2}I_{(0,(n-1)/\sqrt{n})}(|Z|) Benim sorum o zaman bu pdf nasıl alınır? Soru, burada UMVUE'yu bulmak için örnek 3.3.4'tendir P(X1≤c)P(X1≤c)P(X_1 \le c). UMVUE'yu bulmak için …
15 self-study  umvue 

1
QR Ayrışmasını Anlama
Daha fazla anlamaya çalıştığım, çalışmış bir örneğim var (R'de). Doğrusal bir model oluşturmak için Limma kullanıyorum ve katlama değişikliği hesaplamalarında adım adım neler olduğunu anlamaya çalışıyorum. Çoğunlukla katsayıları hesaplamak için neler olduğunu anlamaya çalışıyorum. Anlayabildiğim kadarıyla, QR ayrışması katsayıları almak için kullanılır, bu yüzden aslında bir açıklama ya da adım …

1
Ne Düzeyde bir olan
ARKA PLAN: Güvenle atlayın - referans için ve soruyu meşrulaştırmak için burada. Bu makalenin açılışında şunlar yazıyor: "Karl Pearson'un ünlü ki-kare beklenmedik durum testi, Normal dağılımına dayanarak z istatistiği adı verilen başka bir istatistikten türetilmiştir. en basit sürümlerinin, χ2χ2\chi^2eşdeğer z testleriyle matematiksel olarak aynı olduğu gösterilebilir. Testler aynı sonucu verir. …


1
Bir RNN'nin modellenmesi için uygulanabilir bir dizi uzunluğu nedir?
Ben zamanlamaları verileri modelleme için tekrarlayan bir sinir ağının (RNN) bir LSTM ( uzun kısa süreli bellek ) sürümünü kullanarak bakıyorum . Verilerin sıra uzunluğu arttıkça, ağın karmaşıklığı da artar. Bu nedenle, hangi dizilerin uzunluğunun iyi bir doğrulukla modellenmesi mümkün olacağını merak ediyorum? LSTM'nin nispeten basit bir versiyonunu, en son …

4
Metin Madenciliği: Metinleri (örn. Haber makaleleri) yapay zeka ile nasıl kümeleyebilirim?
Pong oynamak, el yazısı rakamları ve diğer şeyleri sınıflandırmak gibi farklı görevler için bazı sinir ağları (MLP (tam bağlantılı), Elman (tekrarlayan)) inşa ettim ... Ek olarak, ilk basamaklı sinir ağlarını oluşturmaya çalıştım, örneğin çok basamaklı el yazısı notları sınıflandırmak için, ancak metinleri analiz etmek ve kümelemek için tamamen yeniyim, örneğin, …

7
Bayes kuralını hatırlamak için ne yaptınız / yaptınız?
Formülü hatırlamanın iyi bir yolunun aşağıdaki formülü düşünmek olduğunu düşünüyorum: Bağımsız bir olay B'nin sonucu göz önüne alındığında, bazı A olayının belirli bir sonucu olması olasılığı = her iki sonucun eşzamanlı olarak meydana gelme olasılığı / ne olursa olsun, A olayının arzu edilen sonucunun olasılığı B olayının sonucunu bilmeseydik olurdu. …
15 bayesian  bayes 

1
Doğrusal modeller için BLUE (OLS çözümü) dışındaki diğer tarafsız tahmin ediciler
Doğrusal bir model için OLS çözümü, parametreler için en iyi doğrusal tarafsız tahmin ediciyi sağlar. Tabii ki daha düşük varyans için bir önyargıda işlem yapabiliriz, örneğin sırt regresyonu. Ama sorum önyargısız olmakla ilgili. Biraz yaygın olarak kullanılan, tarafsız ancak OLS tahmini parametrelerinden daha yüksek bir varyansa sahip başka tahminciler var …

1
ARIMA modelleri için düzenlileştirme
Doğrusal regresyon modellerinde LASSO, sırt ve elastik-net regülasyonun farkındayım. Soru: Bu (veya benzeri) cezalandırılmış bir tahmin ARIMA modellemesine (boş MA parçası olmadan) uygulanabilir mi? ARIMA modellerini oluştururken, önceden seçilmiş bir maksimum gecikme sırasını ( , ) düşünün ve ardından bazı en uygun siparişi seçin ve q \ leqslant q_ {max} …

1
Bayes düzeyli modelde p değerleri isteyen yorumculara nasıl cevap verilir?
Bir gözden geçiren tarafından bayesci çok düzeyli modelimizdeki model tahminlerini daha iyi anlamak için p değerleri sağlamamız istendi. Model, bir deneyde katılımcı başına birden fazla gözlemin tipik bir modelidir. Modeli Stan ile tahmin ettik, böylece ek posterior istatistikleri kolayca hesaplayabiliyoruz. Şu anda, ortalama tahmini ve 0,025 ve 0,975 miktarlarını (görsel …

2
Tekrarlanan önlemler ANOVA: normallik varsayımı nedir?
ANOVA'nın tekrarlanan ölçümlerinde normallik varsayımı hakkında kafam karıştı. Özellikle, ne tür bir normalliğin tam olarak karşılanması gerektiğini merak ediyorum. Literatürü ve CV hakkındaki cevapları okurken, bu varsayımın üç ayrı ifadesine rastladım. Her (tekrarlanan) koşul içindeki bağımlı değişken normal şekilde dağıtılmalıdır. RANOVA'nın ANOVA ve küresellik ile aynı varsayımlara sahip olduğu sıklıkla …

2
Önyargı-varyans tradeoff hakkında soru
Önyargı-varyans dengesini, kestiricinin önyargısı ile modelin önyargısı arasındaki ilişkiyi ve kestiricinin varyansı ile modelin varyansı arasındaki ilişkiyi anlamaya çalışıyorum. Bu sonuçlara geldim: Tahmincinin önyargısını ihmal ettiğimizde verileri tersine çevirme eğilimindeyiz, yani sadece modelin varyansını ihmal eden modelin yanlılığını en aza indirmeyi amaçladığımızda tahmin edicinin önyargısı da) Tam tersine, tahmin edicinin …

1
Breiman'ın rastgele ormanı bilgi kazancı veya Gini endeksi kullanıyor mu?
Breiman'ın rastgele ormanının (R randomForest paketindeki rastgele orman) bir bölme kriteri (özellik seçimi için kriter) bilgi kazancı veya Gini endeksi olarak kullanılıp kullanılmadığını bilmek ister misiniz? Ben http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm ve R'deki randomForest paketinin belgelerinde bulmaya çalıştım. Ama bulduğum tek şey Gini indeksinin değişken öneme sahip hesaplama.


1
Perceptron Kuralı ile Gradyan İniş ve Stokastik Gradyan İniş uygulaması hakkında açıklama
Farklı Perceptron uygulamaları ile biraz denedim ve "iterasyonları" doğru anladığımdan emin olmak istiyorum. Rosenblatt'ın orijinal algılayıcı kuralı Anladığım kadarıyla, Rosenblatt'ın klasik perceptron algoritmasında, ağırlıklar aynı anda her eğitim örneğinden sonra güncellenir. Δw(t+1)=Δw(t)+η(target−actual)xiΔw(t+1)=Δw(t)+η(target−actual)xi\Delta{w}^{(t+1)} = \Delta{w}^{(t)} + \eta(target - actual)x_i burada etaetaeta burada öğrenme kuralıdır. Hem hedef hem de gerçek eşik değerlerdir …

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.