İstatistikler ve Büyük Veri

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


4
Gradyan iniş optimizasyonu
ML (makine öğrenimi) algoritmalarında gradyan iniş optimizasyonunu anlamaya çalışıyorum. Bir maliyet fonksiyonu olduğunu anlıyorum - amacın hatayı en aza indirmektir . Ağırlıkları senaryoda en az hata vermek için optimize edilmektedir ve kısmi türevleri kullanılmaktadır, her iki değiştirir ve az sayıda iterasyon içinde, her bir aşamada ya da bir kombinasyonu (örneğin, …

1
Madalyonun adil olup olmadığını kontrol etme
Aşağıdaki soru bir arkadaşım tarafından soruldu. Ona yardım edemedim ama umarım birisi bana açıklayabilir. Benzer bir örnek bulamadım.Herhangi bir yardım ve açıklama için teşekkürler. S: 100 madeni para atma deneyinin sonuçları 0 = "Kuyruk" ve 1 = "Kafa" olarak kaydedilmiştir. Çıkış x, 0 uzunluğu ve 100 uzunluğu 1 olan bir …


1
Çocuklar bir GWAS veri setinin PCA projeksiyonunda ebeveynlerini bir araya getirmeyi nasıl başarırlar?
10.000 boyutlu bir alanda 20 rastgele nokta alın. N-( 0 , 1 )N-(0,1)\mathcal N(0,1). Onları 10 çifte ("çiftler") ayırın ve veri kümesine her çiftin ("bir çocuk") ortalamasını ekleyin. Sonra elde edilen 30 noktada PCA yapın ve PC1'e PC2'yi çizin. Dikkat çekici bir şey olur: her "aile" birbirine yakın noktalardan oluşan …


3
Lojistik Regresyon Kalıntılarının Diğer Regresörlere Regresyonu
Sürekli yanıta uygulanan OLS regresyonu ile, her bir ortak değişken üzerinde artıkların regresyonlarını sırayla çalıştırarak çoklu regresyon denklemi oluşturulabilir. Benim sorum, bunu lojistik regresyon artıklarıyla lojistik regresyon ile yapmanın bir yolu var mı? Yani, tahmin etmek istersem Pr(Y=1|x,z)Pr(Y=1|x,z)\Pr(Y = 1 | x, z)standart genelleştirilmiş doğrusal modelleme yaklaşımını kullanarak, karşı lojistik …

5
Sürekli düzgün dağılımdaki olasılıkların toplamı neden sonsuz değil?
Birörnek dağılımın (sürekli) olasılık yoğunluk fonksiyonu yukarıda gösterilmiştir. Eğrinin altındaki alan 1 - olasılık dağılımındaki tüm olasılıkların toplamı 1 olduğundan mantıklıdır. Resmi olarak, yukarıdaki olasılık fonksiyonu (f (x)) şu şekilde tanımlanabilir: 1 / (ba) x için [a, b] ve 0 aksi takdirde Bir (diyelim, 2) ve b (diyelim, 6) arasında …


1
Sinir ağım Öklid mesafesini bile öğrenemiyor
Bu yüzden kendime sinir ağlarını öğretmeye çalışıyorum (regresyon uygulamaları için, kedilerin resimlerini sınıflandırmak değil). İlk deneylerim, bir FIR filtresi ve Ayrık Fourier Dönüşümü ("önce" ve "sonra" sinyalleri üzerinde eğitim) uygulamak için bir ağı eğitiyordu, çünkü bunların ikisi de etkinleştirme işlevi olmayan tek bir katman tarafından uygulanabilen doğrusal işlemlerdir. Her ikisi …

2
Minimum tahmin ediciyi iyileştirme
Ben olduğunu varsayalım tahmin etmek olumlu parametreleri ve onların tekabül tahmincileri tarafından üretilen tarafsız tahminler , yani , vb.nnnμ1,μ2,...,μnμ1,μ2,...,μn\mu_1,\mu_2,...,\mu_nnnnμ1^,μ2^,...,μn^μ1^,μ2^,...,μn^\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n}E[μ1^]=μ1E[μ1^]=μ1\mathrm E[\hat{\mu_1}]=\mu_1E[μ2^]=μ2E[μ2^]=μ2\mathrm E[\hat{\mu_2}]=\mu_2 Ben tahmin etmek istiyorum el altında tahminleri kullanılarak. Açıkça naif tahmin gibi düşük bastırılmaktadır min(μ1,μ2,...,μn)min(μ1,μ2,...,μn)\mathrm{min}(\mu_1,\mu_2,...,\mu_n)min(μ1^,μ2^,...,μn^)min(μ1^,μ2^,...,μn^)\mathrm{min}(\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n})E[min(μ1^,μ2^,...,μn^)]≤min(μ1,μ2,...,μn)E[min(μ1^,μ2^,...,μn^)]≤min(μ1,μ2,...,μn)\mathrm E[\mathrm{min}(\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n})]\leq \mathrm{min}(\mu_1,\mu_2,...,\mu_n) Aynı zamanda, ilgili tahmin ediciler kovaryans matrisim olduğunu varsayalım . Verilen tahminler …

2
En çok gaid Gauss'luların en güçlü sonucu nedir? Uygulamada en çok kullanılan?
Verilen IID, rastgele değişkenler dikkateX1,…,Xn,…∼N(0,1)X1,…,Xn,…∼N(0,1)X_1, \ldots, X_n, \ldots \sim \mathscr{N}(0,1) Zn:=max1≤i≤nXi.Zn:=max1≤i≤nXi. Z_n := \max_{1 \le i \le n} X_i\,. Soru: Bu rastgele değişkenlerle ilgili en "önemli" sonuç nedir? "Önem" i açıklığa kavuşturmak için mantıklı bir sonuç olarak en çok hangi sonuç elde edilir? Sonuçlardan hangisi pratikte en sık kullanılır? Daha …

3
İstatistiklerin gama dağılımından bağımsızlığı
İzin Vermek X1,...,XnX1,...,XnX_1,...,X_n gama dağılımından rastgele bir örnek olun .Gamma(α,β)Gamma(α,β)\mathrm{Gamma}\left(\alpha,\beta\right) Let ve , sırasıyla örnek ortalaması ve örnek varyans olabilir.X¯X¯\bar{X}S2S2S^2 Ardından ve bağımsız olduğunu kanıtlayın veya onaylayın .X¯X¯\bar{X}S2/X¯2S2/X¯2S^2/\bar{X}^2 Denemem: , ve bağımsızlığını kontrol , ama aralarındaki bağımsızlığı nasıl tesis etmeliyim?S2/X¯2=1n−1∑ni=1(XiX¯−1)2S2/X¯2=1n−1∑i=1n(XiX¯−1)2S^2/\bar{X}^2 = \frac{1}{n-1} \sum_{i=1}^n \left(\frac{X_i}{\bar{X}}-1\right)^2 X¯X¯\bar{X}(XiX¯)ni=1(XiX¯)i=1n\left(\frac{X_i}{\bar{X}} \right)_{i=1}^{n}

2
Sıfır hipotezinden ziyade örnekleme yoluyla üretilen güven aralıklı sıfır hipotezini reddedebilir miyiz?
Bir popülasyondan örneklemeden sonra bir güven aralığı biçiminde bir parametre tahmini yapabileceğimiz öğretildi. Örneğin, hiçbir varsayım ihlal edilmeden% 95 güven aralığı, tahmin ettiğimiz gerçek parametrenin popülasyonda ne olduğunu içeren bir% 95 başarı oranına sahip olmalıdır. yani, Bir örnekten nokta tahmini üretin. Tahmin etmeye çalıştığımız gerçek değeri teorik olarak% 95 şansı …

1
Verilen anlarla rasgele değişken üret
Bir dağılımın ilk anını biliyorum . Ayrıca dağıtımımın sürekli, tek modlu ve iyi şekillendirildiğini biliyorum (gama dağılımına benziyor). Mümkün mü:N-N-N Bazı algoritmalar kullanarak, sınır koşullarında tam olarak aynı anlara sahip olacak olan bu dağıtımdan örnekler oluşturun. Bu sorun analitik olarak çözülüyor mu? Sonsuz sayıda anım olana kadar bu sorunun eşsiz …

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