İstatistikler ve Büyük Veri

Makine öğrenimini keşfettiğim gibi farklı ilginç teknikler görüyorum: algoritmaları otomatik olarak grid search, Daha doğru aynı "tip" farklı algoritmalar kombinasyonu ile sonuçlarını en olsun boosting, O en, (algoritmaların fakat aynı tip) farklı algoritmalar kombinasyonu ile daha doğru sonuçlar elde stacking, ve muhtemelen daha fazlasını keşfetmem gerek ... Sorum şu: tüm …

12 machine-learning  algorithms  boosting  stacking  automatic-algorithms 

Lojistik regresyonda elde edilen katsayılardan olasılık oranı için% 95 güven aralığının nasıl oluşturulacağını araştırıyorum. Dolayısıyla lojistik regresyon modeli göz önüne alındığında, günlük( p1 - p) =α+βxgünlük⁡(p1-p)=α+βx \log\left(\frac{p}{1 - p}\right) = \alpha + \beta x \newcommand{\var}{\rm Var} \newcommand{\se}{\rm SE} öyle ki kontrol grubu için x = 0x=0x = 0 ve vaka …

12 logistic  confidence-interval  odds-ratio  delta-method 

Kullanılabilirliğin yanı sıra, eşlenik öncelikleri kullanmak için epistemik bir gerekçe (matematiksel, felsefi, sezgisel, vb.) Var mı? Yoksa çoğunlukla sadece yeterince iyi bir yaklaşım ve işleri daha kolay hale getirmesi mi?

12 bayesian  conjugate-prior  philosophical 

Log()Heteroskedastik verilerim olduğu için negatif değerlerin nasıl dönüştürüleceğini bilmek istiyorum . Formül ile çalıştığını okudum Log(x+1)ama bu veritabanımla çalışmıyor ve sonuç olarak NaN'leri almaya devam ediyorum. Örneğin, bu Uyarı iletisini alıyorum (Negatif değerlerimden biriyle bir örnek göstermek için yeterli olduğunu düşündüğümden tam veritabanımı koymadım): > log(-1.27+1) [1] NaN Warning message: …

12 r  logarithm 

Radyal Temel Fonksiyon Sinir Ağlarına baktığımda, insanların sadece 1 gizli katman kullanımını önerdiklerini fark ettim, oysa çok katmanlı algılayıcı sinir ağları ile daha fazla katman daha iyi kabul edilir. RBF ağlarının geri yayılma sürümü ile eğitilebileceği göz önüne alındığında, daha derin RBF ağlarının çalışmamasının veya RBF katmanının derin MLP ağındaki …

12 machine-learning  neural-networks  rbf-network 

Bu yüzden ben ve amcam bir bozuk para çevirmenin gerçekten rastgele olup olmadığı konusunda tartışıyorlar. Bunun gerçek anlamda bir madeni para atıcısının her zaman bir madeni parayı manipüle edeceği için değil, sonuç 50/50 değildir, bu nedenle klinik çalışmalarda grup atamak için bir randomizasyon tekniği olarak iyi bir seçim değildir. Ancak, …

12 random-generation  randomness  random-allocation 

Bir belge terimi matris ve şimdi denetimli bir öğrenme yöntemi (SVM, Naive Bayes, ...) ile her belge için anahtar kelimeler ayıklamak istiyorum. Bu modelde, zaten Tf-idf, Pos etiketi, ... kullanıyorumMMM Ama şimdi nexts'i merak ediyorum. Terimler arasında kosinüs benzerlikleri olan bir matrisim var .CCC Bu benzerlikleri modelim için bir özellik …

12 text-mining  feature-construction  supervised-learning  cosine-distance  cosine-similarity 

Yoğunluk grafiklerinin yüksekliğini nasıl yorumlamalıyım: Örneğin yukarıdaki grafikte pik, x = 18'de yaklaşık 0.07'dir. Değerlerin yaklaşık% 7'sinin 18 civarında olduğunu çıkarabilir miyim? Bundan daha spesifik olabilir miyim? Ayrıca x = 30'da 0.02 yüksekliğinde ikinci bir tepe vardır. Bu, değerlerin yaklaşık% 2'sinin 30 civarında olduğu anlamına mı gelir? Düzenleme: 1'i aşan …

12 data-visualization  pdf 

İki popüler dil tanımlama kütüphanesinde, C ++ için Compact Language Detector 2 ve java için dil dedektörü , her ikisi de metin özelliklerini ayıklamak için (karakter tabanlı) n-gram kullandı. Neden bir kelime torbası (tek kelime / sözlük) kullanılmaz ve kelime torbası ve n-gramın avantajı ve dezavantajı nedir? Ayrıca, n-gram modelinin …

12 machine-learning  classification  text-mining  natural-language 

RJMCMC kullanarak keşfettiğim çeşitli karmaşıklık modellerinin geniş (ancak sonlu) bir alanını düşünürüm . Her model için parametre vektörünün öncüsü oldukça bilgilendiricidir. Hangi durumlarda (varsa) Jeffreys-Lindley paradoksundan , daha karmaşık modellerden biri daha uygun olduğunda daha basit modelleri tercih etmekten endişelenmeliyim ? Bayesci model seçimindeki paradoksun sorunlarını vurgulayan basit örnekler var …

12 bayesian  model-selection  mcmc  prior  improper-prior 

Verilen iid ve , arayan:N≥30N≥30N\geq30Xn≈N(μX,σ2X)Xn≈N(μX,σX2)X_n\approx\mathcal{N}(\mu_X,\sigma_X^2)μX≈0μX≈0\mu_X \approx 0 doğru kapalı form dağıtım yaklaşımı YN=∏1NXnYN=∏1NXnY_N=\prod\limits_{1}^{N}{X_n} aynı ürünün asimtotik ( üstel ?) yaklaşımı Bu daha genel bir sorunun özel durumudur .μX≈0μX≈0\mu_X \approx 0

12 distributions  normal-distribution  asymptotics  approximation 

Cohen'in ddd , bir efektin boyutunu ölçmenin en yaygın yollarından biridir ( Wikipedia'ya bakın ). Sadece iki yol arasındaki mesafeyi toplanmış standart sapma açısından ölçer. Cohen'in d varyans tahmininin matematiksel formülünü nasıl türetebiliriz ddd? Aralık 2015 edit: Bu soru ile ilgili d etrafında güven aralıklarının hesaplanması fikri . Bu makalede …

12 variance  effect-size  cohens-d 

Son zamanlarda bir sinir ağındaki girdi ve çıktı arasındaki olasılık ilişkisini veren Bayes sinir ağı (BNN) [Neal, 1992] , [Neal, 2012] hakkında bazı makaleler okudum . Böyle bir sinir ağını eğitmek, geleneksel geri yayılma algoritmasından farklı olan MCMC aracılığıyla yapılır. Sorum şu: Böyle bir sinir ağını kullanmanın avantajı nedir? Daha …

12 bayesian  neural-networks  bayesian-network 

Let rastgele değişkenler st bir dizisi olasılık, içinde sabit bir sabittir. Aşağıdakileri göstermeye çalışıyorum: ve olasılıkla. Mantığımın sağlam olup olmadığını görmek için buradayım. İşte benim işim{ Xn}n ≥ 1{Xn}n≥1\{X_n\}_{n\geq 1}Xn→ birXn→aX_n \to aa > 0a>0a>0Xn---√→ bir--√Xn→a\sqrt{X_n} \to \sqrt{a}birXn→ 1aXn→1\frac{a}{X_n}\to 1 GİRİŞİM İlk bölüm için Bildirimi o Bundan sonra | Xn---√- …

12 random-variable  convergence  asymptotics  probability-inequalities  coverage-probability 

Örüntü tanıma ve makine öğrenimi üzerine çalışıyorum ve aşağıdaki soru ile karşılaştım. Eşit önceki sınıf olasılığına sahip iki sınıflı bir sınıflandırma problemi düşününP(D1)=P(D2)=12P(D1)=P(D2)=12P(D_1)=P(D_2)= \frac{1}{2} ve verilen her sınıftaki örneklerin dağılımı p(x|D1)=N([00],[2001]),p(x|D1)=N([00],[2001]), p(x|D_1)= {\cal N} \left( \begin{bmatrix} 0 \\0 \end{bmatrix}, \begin{bmatrix} 2 & 0 \\ 0 & 1 \end{bmatrix} \right), p(x|D2)=N([44],[1001]).p(x|D2)=N([44],[1001]). …

12 machine-learning  self-study  classification  discriminant-analysis