İstatistikler ve Büyük Veri

Çalışmak için en iyi kitaplardan bazıları nelerdir i) uzamsal bir alanda tek değişkenli ve çok değişkenli değişkenlerin değişkenliği (gerçek, sayım verileri). ii) uzamsal konumlar arasındaki dağılımına bağlı olarak tek veya çok değişkenli bir değişkenin örneklenmesi. (Kısaca mekansal örnekleme)

9 sampling  mathematical-statistics  references  spatial 

Vektör makinelerini destekleme konusunda yeni başlayan biriyim. Belirli bir soruna hangi çekirdeğin (örn. Doğrusal, polinom) en uygun olduğunu söyleyen bazı yönergeler var mı? Benim durumumda, web sayfalarını belirli bilgiler içerip içermediklerine göre sınıflandırmak zorundayım, yani ikili bir sınıflandırma sorunum var. Genel olarak bu göreve hangi çekirdeğin en uygun olduğunu söyleyebilir …

9 classification  svm  model-selection  libsvm  kernel-trick 

Karma modelleme konusunda yeniyim ve yaptığım bir analizde rastgele bir efekt kullanmanın uygun olup olmadığı konusunda kafam karıştı. Herhangi bir tavsiye mutluluk duyacağız. çalışmam, yeni geliştirilen bir memeli bolluğu endeksinin yerleşik ancak daha emek yoğun bir endeksin değerini ne kadar iyi tahmin edebileceğini test ediyor. Bu endeksleri her orman yamasında …

9 random-effects-model  nested-data 

Lojistik regresyon sırasında muazzam katsayılar alıyorum, aşağıdaki katsayılara bakın krajULKV: > summary(m5) Call: glm(formula = cbind(ml, ad) ~ rok + obdobi + kraj + resid_usili2 + rok:obdobi + rok:kraj + obdobi:kraj + kraj:resid_usili2 + rok:obdobi:kraj, family = "quasibinomial") Deviance Residuals: Min 1Q Median 3Q Max -2.7796 -1.0958 -0.3101 1.0034 2.8370 …

9 regression  logistic  generalized-linear-model  separation 

Şu anda Markov zincirleri ile çalışıyorum ve birkaç kaynak tarafından önerilen geçiş olasılıklarını kullanarak Maksimum Olabilirlik Tahmini'ni hesapladım (yani, a'dan b'ye geçişlerin sayısının a'dan diğer düğümlere toplam geçiş sayısına bölünmesiyle). Şimdi MLE'nin log olasılığını hesaplamak istiyorum.

9 maximum-likelihood  markov-process  likelihood 

Süreklilik ve durağanlık kavramlarını ayırt etmekte zorlanıyorum. Onları anladığım gibi, heteroscedastisite alt popülasyonlardaki değişkenliklerdir ve durağanlık zaman içinde değişen bir ortalama / varyanstır. Eğer bu doğru (basit de olsa) bir anlayışsa, durağanlık, zaman içinde belirli bir hetero-esneklik vakası mıdır?

9 time-series  heteroscedasticity  stationarity  intuition 

Danışmanımla veri görselleştirme hakkında bir tartışma var. Deneysel sonuçları temsil ederken değerlerin aşağıdaki resimde gösterildiği gibi yalnızca " işaretleyiciler " ile çizilmesi gerektiğini iddia etmektedir . Eğriler yalnızca bir " modeli " temsil etmelidir Öte yandan, aşağıdaki görüntüde gösterildiği gibi, okunabilirliği kolaylaştırmak için bir eğrinin birçok durumda gereksiz olduğuna inanıyorum: …

9 data-visualization  communication 

Bir test için çalışıyorum. Buna cevap veremedim. İzin Vermek X1,i,X2,i,X3,i,i=1,…,nX1,i,X2,i,X3,i,i=1,…,nX_{1,i},X_{2,i},X_{3,i}, i=1,\ldots,n ol N(0,1)N(0,1)\mathcal{N}(0,1)rastgele değişkenler. Tanımlamak Wi=(X1,i+X2,iX3,i)/1+X23,i−−−−−−−√,i=1,…,nWi=(X1,i+X2,iX3,i)/1+X3,i2,i=1,…,nW_i = (X_{1,i} + X_{2,i}X_{3,i})/\sqrt{1 + X_{3,i}^2}, i = 1, \ldots, n, ve W¯¯¯¯¯n=n−1∑ni=1WiW¯n=n−1∑i=1nWi\overline{W}_n = n^{-1}\sum_{i=1}^nW_i, S2n=(n−1)−1∑ni=1(Wi−W¯¯¯¯¯n)2,n≥2.Sn2=(n−1)−1∑i=1n(Wi−W¯n)2,n≥2.S_n^2 = (n-1)^{-1}\sum_{i=1}^n(W_i - \overline{W}_n)^2, n \ge 2. Dağılımı nedir W¯¯¯¯¯nW¯n\overline{W}_n, S2nSn2S_n^2? Böyle bir soruna başlarken kullanılacak en iyi …

9 normal-distribution  data-transformation 

Veri kümelerimdeki her kayıt için aşağıdaki bilgilere sahibim (X1 ,… ,Xm ,δ ,T )(X1 ,… ,Xm ,δ ,T ) (X_1 \ , \dots \ , X_m \ , \delta \ , T \ ) nerede XiXiX_i özellikler, δδ\delta hedef olay meydana gelirse 1, aksi takdirde 0 olur ve TTTgerçekleşen olayın …

9 classification  survival 

Son zamanlarda bir R betiğinde hata ayıkladım ve çok garip bir şey buldum, yazar kendi p-değeri işlevini tanımladı pval <- function(x, y){ if (x+y<20) { # x + y is small, requires R.basic p1<- nChooseK(x+y,x) * 2^-(x+y+1); p2<- nChooseK(x+y,y) * 2^-(x+y+1); pvalue = max(p1, p2) } else { # if …

9 r  hypothesis-testing  p-value 

Simetrik dağılımın merkezi anını göstermeye çalışıyorum: fx( a + x ) =fx( a - x )fx(a+x)=fx(a−x){\bf f}_x{\bf (a+x)} = {\bf f}_x{\bf(a-x)}tek sayılar için sıfırdır. Örneğin üçüncü merkezi anE [ ( X - u)3] = 0 .E[(X−u)3]=0.{\bf E[(X-u)^3] = 0}.Göstermeye deneyerek başladıBuradan nereye gideceğimi bilmiyorum, herhangi bir öneriniz var mı? Bunu …

9 mathematical-statistics  expected-value  moments 

Bu size daha fazla kanıt olduğu (daha büyük şeklinde söylüyorlar iyi bilinmektedir için , Bayes önce "unutulmuş" olur iid örnekler) ve çıkarım çoğu kanıt (veya olasılık) tarafından etkilenir.nnnnnn Çeşitli özel durumlar için bunu görmek kolaydır (önceden Beta ile Bernoulli veya diğer örnek türleri) - ancak ile genel durumda görmenin bir …

9 bayesian  prior 

Bishop'un Örüntü Tanıma ve Makine Öğrenmesi adlı bu kitabı okuyordum. Doğrusal dinamik sistemin türetilmesiyle ilgili bir karışıklığım vardı. LDS'de gizli değişkenlerin sürekli olduğunu varsayıyoruz. Z gizli değişkenleri ve X gözlenen değişkenleri gösteriyorsa p (zn|zn - 1) = N(zn| birzn - 1, τ)p(zn|zn−1)=N(zn|Azn−1,τ)p(z_n|z_{n-1}) = N(z_n|Az_{n-1},\tau) p (xn|zn) = N(xn, Czn, Σ …

9 machine-learning  linear-model  kalman-filter  pattern-recognition  graphical-model 

Degrade iniş için optimum öğrenme oranı nasıl belirlenebilir? Maliyet fonksiyonu önceki yinelemeden daha büyük bir değer döndürürse otomatik olarak ayarlayabileceğimi düşünüyorum (algoritma birleşmeyecek), ancak hangi yeni değeri alması gerektiğinden gerçekten emin değilim.

9 regression  machine-learning  gradient-descent 

Aralık sansürlenmiş hayatta kalma süreleri göz önüne alındığında, aralık sansürlü Cox PH modelini nasıl yapabilirim R? Bir rseek araması intcoxartık Rdepoda bulunmayan paketi açar . Neredeyse paketteki coxphfonksiyonun survivalsansürlenmiş sağkalım verilerini aralıksız işleyemediğine inanıyorum. Ayrıca, verileri çarpıtmak ve sonra coxphişlevi kullanmak istemiyorum . Bu yöntem, aralık sansürünün belirsizliğini göz ardı …

9 r  survival  cox-model  interval-censoring