İstatistikler ve Büyük Veri

Okuma Kıvrımlarla daha derine inerek , önerilen başlangıç ​​modüllerinin yapı taşı olan ve farklı büyüklükteki birden fazla tansörünün çıktısını birleştiren bir DepthConcat katmanıyla karşılaştım . Yazarlar buna "Filtre Birleştirme" adını vermektedir. Meşale için bir uygulama var gibi görünüyor , ama gerçekten ne yaptığını anlamıyorum. Birisi basit kelimelerle açıklayabilir mi?

12 neural-networks  torch  conv-neural-network 

Python'da scikit-learn kütüphanesi ile çalışıyorum. Aşağıdaki kodda, olasılığı tahmin ediyorum, ancak çıktıyı nasıl okuyacağımı bilmiyorum. Verileri test etme from sklearn.ensemble import RandomForestClassifier as RF from sklearn import cross_validation X = np.array([[5,5,5,5],[10,10,10,10],[1,1,1,1],[6,6,6,6],[13,13,13,13],[2,2,2,2]]) y = np.array([0,1,1,0,1,2]) Veri kümesini böl X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.5, random_state=0) Olasılığı hesapla clf = …

12 python  scikit-learn 

Bu arada LASSO (en az mutlak büzülme ve seçim operatörü) okuyorum . Düzenleme parametresi için en uygun değerin çapraz doğrulama ile seçilebildiğini görüyorum. Ben de sırt regresyonunda ve regülasyonu uygulayan birçok yöntemde görüyorum, optimal regülasyon parametresini (ceza söyleyerek) bulmak için CV'yi kullanabiliriz. Şimdi sorum parametrenin üst ve alt sınırı için …

12 lasso  regularization  shrinkage 

Belirli bir değerin altında (örneğin, ortalama değerin altında) göz önüne alındığında, normal dağıtılmışsa x'in Beklenen değerini bulmanın mümkün olup olmadığını merak etmektir.

12 normal-distribution  conditional-probability  expected-value 

Zaman serisi analizi neden bir makine öğrenme algoritması olarak kabul edilmez (doğrusal regresyondan farklı olarak). Hem regresyon hem de zaman serileri analizi tahmin yöntemleridir. Öyleyse neden bunlardan biri öğrenme algoritması olarak kabul ediliyor ama diğeri değil?

12 regression  machine-learning  time-series  terminology 

Fisher'in kesin testini simüle edilmiş bir genetik problemde uygulamaya çalışıyorum, ancak p değerleri sağa eğik görünüyor. Bir biyolog olarak, sanırım her istatistikçi için açık bir şey eksik, bu yüzden yardımlarınız için çok minnettar olurum. Benim kurulumum şu şekildedir : (kurulum 1, marjinaller sabit değildir) R'de 0 ve 1'lerden oluşan iki …

12 p-value  fishers-exact 

Önceki dağılımları okuyorum ve Jeffreys'i, ortalama ve bilinmeyen varyansı bilinmeyen normal olarak dağıtılmış rasgele değişkenlerin bir örneği için hesapladım. Benim hesaplamalara göre, Jeffreys için aşağıdakiler daha önce geçerlidir: Burada,benFisher bilgi matristir.p ( μ , σ2) = de t ( I)-----√= de t ( 1 / σ2001 / ( 2 σ4))------------------√= …

12 bayesian  normal-distribution  prior  jeffreys-prior 

mtcarsVeri kümesinden oluşturulan bir model aşağıdadır: > ols(mpg~wt+am+qsec, mtcars) Linear Regression Model ols(formula = mpg ~ wt + am + qsec, data = mtcars) Model Likelihood Discrimination Ratio Test Indexes Obs 32 LR chi2 60.64 R2 0.850 sigma 2.4588 d.f. 3 R2 adj 0.834 d.f. 28 Pr(> chi2) 0.0000 g …

12 regression  multiple-regression  r-squared 

Yaya tespiti olarak adlandırılan görevi çözmeye çalışıyorum ve iki kategori pozitif - insanlar, negatifler - arka plan üzerinde ikili clasifer eğitiyorum. Veri setim var: pozitif sayısı = 3752 negatif sayısı = 3800 Train \ test split 80 \ 20% ve RandomForestClassifier form scikit-learn parametrelerini kullanıyorum: RandomForestClassifier(n_estimators=100, max_depth=50, n_jobs= -1) Puanı …

12 classification  random-forest  unbalanced-classes  precision-recall  computer-vision 

Belirli bir yanıt (hedef) ikili değişken ve sürekli olarak parametre olarak aralıkların maksimum sayısı ile sürekli değişken en iyi binning yöntemi (ayrıklaştırma) arıyorum. örnek: "yükseklik" (sürekli sayısal) ve "has_back_pains" (ikili) değişkenleri olan insanların gözlemleri bir dizi var. Yüksekliği en fazla 3 aralıkta (grup) ayrıştırmak istiyorum, bu yüzden algoritma gruplar arasındaki …

12 r  dataset  optimization  discrete-data  binning 

Bu sayfanın örnekleri, basit regresyonun aykırı değerlerden önemli ölçüde etkilendiğini ve bunun güçlü regresyon teknikleriyle aşılabileceğini göstermektedir: http://www.alastairsanderson.com/R/tutorials/robust-regression-in-R/ . Ben lmrob ve ltsReg'in diğer güçlü regresyon teknikleri olduğuna inanıyorum. Basit regresyon (lm) yapmak yerine neden her zaman sağlam regresyon (rlm veya rq gibi) yapılmasın ki? Bu güçlü regresyon tekniklerinin dezavantajları …

12 regression  multiple-regression  robust 

Verilerden Öğrenme ders serisinde profesör, VC boyutunun belirli bir modelin kaç noktayı parçalayabileceğine dair model karmaşıklığını ölçtüğünden bahseder. Bu nedenle, sınıflandırıcı k noktalarını etkili bir şekilde parçalayabiliyorsa N noktalarından söyleyebileceğimiz sınıflandırma modelleri için mükemmel bir şekilde çalışır. VC boyut ölçüsü K olacaktır. Ancak regresyon modelleri için bir VC boyutunu nasıl …

12 regression  machine-learning  vc-dimension 

Kalman Filtrelerinin Zaman Serisi Verilerindeki eksik değerleri belirtmek için nasıl kullanılabileceği ile ilgileniyorum. Bazı ardışık zaman noktaları eksikse de uygulanabilir mi? Bu konuda fazla bir şey bulamıyorum. Herhangi bir açıklama, yorum ve bağlantılar bekliyoruz ve takdir!

12 data-imputation  kalman-filter 

Diyelim ki , olasılık yoğunluk fonksiyonuna sahip bir dağılımdan alınan rastgele bir . Biz doğrusal bir tam-sıraya göre dönüştürmek ise matris almak , daha sonra yoğunluğu verilirX⃗ ∈RnX→∈Rn\vec{X} \in \mathbb{R}^nfX⃗ (x⃗ )fX→(x→)f_\vec{X}(\vec{x})n×nn×nn \times nAAAY⃗ =AX⃗ Y→=AX→\vec{Y} = A\vec{X}Y⃗ Y→\vec{Y}fY⃗ (y⃗ )=1|detA|fX⃗ (A−1y⃗ ).fY→(y→)=1|detA|fX→(A−1y→). f_{\vec{Y}}(\vec{y}) = \frac{1}{\left|\det A\right|}f_{\vec{X}}(A^{-1}\vec{y}). Şimdi dönüştürmek ki …

12 references  random-variable  pdf  linear 

İnsanların fazla uymasını önlemek için insanlar , doğrusal regresyonun maliyet fonksiyonuna bir düzenleme parametresi ile bir modelleme terimi (modelin parametrelerinin kare toplamıyla orantılı) ekler λλ\lambda. Bu parametresi λλ\lambdabir lagrange çarpanı ile aynı mıdır? Düzenleme, lagrange çarpanı yöntemiyle aynı mıdır? Veya bu yöntemler nasıl bağlanır?

12 regression  optimization  regularization