İstatistikler ve Büyük Veri

Kategorilerin altında yatan olasılık yapısının mükemmel olarak bilindiği ideal bir durum olarak kabul edilir. Neden Bayes sınıflandırıcısı ile elde edilebilecek en iyi performansı elde ediyoruz? Bunun resmi kanıtı / açıklaması nedir? Her zaman Bayes sınıflandırıcısını diğer tüm sınıflandırıcıların performansını karşılaştırmak için bir referans olarak kullandığımızdan.

11 probability  classification  bayesian  bayes 

Her adımda test yanlış sonuç verebilir zaman bir ikili arama yapmak için bir algoritma gerekir. Arka plan: Öğrencileri 12 farklı zorluk seviyesine en uygun şekilde yerleştirmem gerekiyor. Şimdiki yaklaşım kaba kuvvettir ve zorlukları artırma, üç yanlıştan sonra durma ve soruyu floor((score - 1) / 5) + 1en az 1 olmak …

11 algorithms 

Sürgülü / yeniden boyutlandırılmış bir pencerede uygulanan bir CNN ikili sınıflandırıcı kullanmayı planlayan, çok nadiren (görüntülerde) oluşan nesnelerin bir dedektör yapmaya çalışıyorum. Dengeli 1: 1 pozitif negatif eğitim ve test setleri oluşturdum (bu durumda btw yapmak doğru bir şey mi?) Ve sınıflandırıcı doğruluk açısından bir test seti üzerinde iyi çalışıyor. …

11 logistic  classification  unbalanced-classes  loss-functions 

Çalışmamın arka planı : Sırasıyla P ( X | Y ) ve P ( Y | X ) ' den (ilgi değişkenleri) ve Y'yi örneklediğimiz Gibbs örneklemesinde , burada X ve Y , k boyutlu rastgele vektörlerdir. Sürecin genellikle iki aşamaya ayrıldığını biliyoruz:XXXYYYP( X| Y)P(X|Y)P(X|Y)P( Y| X)P(Y|X)P(Y|X)XXXYYYkkk Tüm örnekleri attığımız …

11 hypothesis-testing  covariance  covariance-matrix  gibbs 

Dört haneli bir PIN ile korunan bir uygulamam var ve kullanıcı hesap kilitlenmeden önce giriş yapmak için beş deneme yaptı. Şimdi, müşterilerimden biri güvenliği "güçlendirmek" ve başka bir çözüm savunmak istiyor: Altı haneli-PIN NO "yan yana aynı rakam": örneğin: 11 3945 veya 39 55 94 NO "üç çalışan numaralar": örneğin: …

11 combinatorics 

Soru: İki boyutlu binom dağılımı 3 boyutlu uzayda neye benziyor? Aşağıda, parametrelerin çeşitli değerleri için görselleştirmek istediğim belirli bir işlev bulunmaktadır; yani , ve .p 1 p 2nnnp1p1p_{1}p2p2p_{2} f( x1, x2) = n !x1! x2!px11px22,x1+ x2= n ,p1+ p2= 1.f(x1,x2)=n!x1!x2!p1x1p2x2,x1+x2=n,p1+p2=1.f(x_{1},x_{2}) = \frac{n!}{x_{1}!x_{2}!}p_{1}^{x_{1}}p_{2}^{x_{2}}, \qquad x_{1}+x_{2}=n, \quad p_{1}+p_{2}=1. İki kısıtlama olduğuna dikkat …

11 probability  data-visualization  binomial  discrete-data  distributions 

Yani, gizli Noel Baba'mız işteydi. 8 kişiyiz. Her birimiz sırayla bir kaseden küçük bir kağıt parçası çektik. Tek kural: Eğer isminizi çekerseniz, kağıdı tekrar kaseye koyup tekrar denemeniz gerekir. A, B, C, D, E, F, G, H insanlarını da arayalım, ki bu da kağıtlarını seçtikleri sıra. Dün gece hediye alışverişi …

11 combinatorics  odds 

SVM'deki optimal hiper düzlem şu şekilde tanımlanır: w ⋅ x + b = 0 ,w⋅x+b=0,\mathbf w \cdot \mathbf x+b=0, burada bbb eşiği temsil eder. Bazı haritalama varsa φφ\mathbf \phi biraz boşluk giriş alanını eşleyen ZZZ , biz uzay içinde SVM tanımlayabilirsiniz ZZZ Optimum hiperplane olacak: w ⋅ ϕ ( x …

11 svm  threshold 

İnsan anlayışımızda, sezgisel olarak varyans fikrini kavramada zorluk yaratan bir şey var gibi görünüyor. Dar bir anlamda cevap hemen: kare alma bizi refleksif anlayışımızdan uzaklaştırır. Ancak, problemler sunan sadece varyans mı , yoksa tüm verilerdeki yayılma fikri mi? Menzilde sığınıyoruzya da sadece minimum ve maksimumları belirtmekle kalmayıp, gerçek zorluktan kaçıyor …

11 variance  dispersion 

Etkileşim terimini her zaman regresyon bağlamında okudum. Ayrıca knn veya svm gibi farklı modellerle etkileşimleri de düşünmeli miyiz? Varsa , ya da daha fazla özellik ve olanak demek yararlı etkileşimleri bulmak için her zamanki gibi ne olduğunu gözlemler? Tüm kombinasyonları denemek ister misiniz? Veya sadece mantıklı kombinasyonlar mı kullanıyorsunuz?505050100100100100010001000

11 machine-learning  interaction  terminology 

Aşağıda Bolstad'ın Bayes İstatistiklerine Giriş bölümünden bir alıntı yer almaktadır . Orada tüm uzmanlar için, bu önemsiz olabilir, ancak yazarın bazı değerlerini posterior olasılığını hesaplamak için herhangi bir entegrasyon yapmamız gerekmediği sonucunu anlamıyorum . Orantılılık ve tüm terimlerin nereden geldiği ikinci ifadeyi anlıyorum ( muhtemelen x Öncelik) . Dahası, sadece …

11 distributions  bayesian  beta-distribution  conjugate-prior 

için aşağıdaki yaklaşıma sahip bir makaleyi okudum (ekonomi :log(E(X))log⁡(E(X))\log(E(X)) log(E(X))≈E(log(X))+0.5var(log(X))log⁡(E(X))≈E(log⁡(X))+0.5var(log⁡(X))\log(E(X)) \approx E(\log(X))+0.5 \mathrm{var}(\log(X)) , X'in log-normal olup olmadığını bildiğim yazarın tam olarak söylediği (bildiğim). Bilmediğim şey bu yaklaşımı nasıl elde edeceğimiz. Taylor sıralamasının ikinci derecesini hesaplamaya çalıştım ve tek bulduğum şey şu ifadeydi: log(E(X))≈E(log(X))+0.5var(X)E(X)2log⁡(E(X))≈E(log⁡(X))+0.5var(X)E(X)2\log(E(X)) \approx E(\log(X))+0.5\frac{\mathrm{var}(X)}{E(X)^2}

11 lognormal  approximation  taylor-series 

Üzerinde çalıştığım bir sorun için bir kanıt oluşturmaya çalışıyorum ve yaptığım varsayımlardan biri, örnek aldığım noktaların tüm alan üzerinde yoğun olması. Pratik olarak, tüm örnek alanı üzerinde puanlarımı elde etmek için Latin hiper küp örnekleme kullanıyorum. Latince hiperküp örnekleri size örnek büyüklüğü eğilimindedir izin verirseniz tüm alan üzerinde yoğun olursa …

11 sampling  asymptotics  latin-square  latin-hypercube 

Birden çok hedefi olan verileri işleyebilecek teknikler hakkında kaynaklar (kitaplar, ders notları, vb.) Arıyorum (Ör: üç bağımlı değişken: 2 ayrık ve 1 sürekli). Bu konuda herhangi bir kaynağı / bilgisi olan var mı? Bunun için sinir ağları kullanmanın mümkün olduğunu biliyorum.

11 regression  machine-learning  predictive-models  references 

Her biri farklı başarı ve dolayısıyla başarısızlık olasılığı olan 20 bağımsız Bernoulli çalışması yapılırsa. 20 denemeden tam olarak n başarılı olma olasılığı nedir? Başarı ve başarısızlık olasılıklarının kombinasyonlarını bir araya getirmek yerine bu olasılıkları hesaplamanın daha iyi bir yolu var mı?

11 probability  distributions  bernoulli-distribution  poisson-binomial