«information-geometry» etiketlenmiş sorular

Hassasiyet şu şekilde tanımlanır: p = true positives / (true positives + false positives) Gibi, bu doğru mu true positivesve false positiveshassas 1 yaklaşır yaklaşım 0? Hatırlama için aynı soru: r = true positives / (true positives + false negatives) Şu anda bu değerleri hesaplamam gereken bir istatistiksel test uyguluyorum …

20 precision-recall  data-visualization  logarithm  references  r  networks  data-visualization  standard-deviation  probability  binomial  negative-binomial  r  categorical-data  aggregation  plyr  survival  python  regression  r  t-test  bayesian  logistic  data-transformation  confidence-interval  t-test  interpretation  distributions  data-visualization  pca  genetics  r  finance  maximum  probability  standard-deviation  probability  r  information-theory  references  computational-statistics  computing  references  engineering-statistics  t-test  hypothesis-testing  independence  definition  r  censoring  negative-binomial  poisson-distribution  variance  mixed-model  correlation  intraclass-correlation  aggregation  interpretation  effect-size  hypothesis-testing  goodness-of-fit  normality-assumption  small-sample  distributions  regression  normality-assumption  t-test  anova  confidence-interval  z-statistic  finance  hypothesis-testing  mean  model-selection  information-geometry  bayesian  frequentist  terminology  type-i-and-ii-errors  cross-validation  smoothing  splines  data-transformation  normality-assumption  variance-stabilizing  r  spss  stata  python  correlation  logistic  logit  link-function  regression  predictor  pca  factor-analysis  r  bayesian  maximum-likelihood  mcmc  conditional-probability  statistical-significance  chi-squared  proportion  estimation  error  shrinkage  application  steins-phenomenon 

İstatistikte ustalaşıyorum ve diferansiyel geometriyi öğrenmem tavsiye ediliyor. Bu beni motive edecek çünkü diferansiyel geometri için istatistiksel uygulamaları duymaktan mutluluk duyacağım. İstatistikte diferansiyel geometri uygulamalarını bilen var mı?

19 mathematical-statistics  information-geometry 

Bu ölçüt hakkında okuduğum şeye göre, bir hipotezi diğerine dönüştürmek için gereken bilgi miktarı olan standart olmayan bir sayı döndüren KL dağılımını iki dağılımı karşılaştırıyorum. İki sorum var: a) KL sapmasını, örneğin etki büyüklüğü veya R ^ 2 gibi daha anlamlı bir yoruma sahip olacak şekilde ölçmenin bir yolu var …

14 distributions  kullback-leibler  information-geometry 

Olasılık dağılımları alanında Fisher's Information metriğini doğal bir yerel metrik olarak kullanmayı ve daha sonra mesafeleri ve hacimleri tanımlamak için entegre etmeyi savunan geniş bir literatüre rastladım . Peki bu "entegre" miktarlar aslında herhangi bir şey için yararlı mıdır? Hiçbir teorik gerekçe ve çok az pratik uygulama bulamadım. Bir adam …

13 model-selection  information-geometry 

(Benzer bir soruyu math.se de yayınladım .) Bilgi geometrisinde, Fisher bilgi matrisinin belirleyicisi, istatistiksel bir manifold üzerindeki doğal bir hacim formudur, bu nedenle güzel bir geometrik yoruma sahiptir. Örneğin, bir Jeffreys tanımında göründüğü gerçeği, (imho) geometrik bir özellik olan yeniden parametreleme altındaki değişmezliğiyle bağlantılıdır. Fakat istatistiklerde bu belirleyici nedir? Anlamlı …

13 variance  information-theory  fisher-information  information-geometry 

Açık bu yazı , şu ifadeyi okuyabilirsiniz: Modeller genellikle sonlu boyutlu bir manifoldda noktalar ile temsil edilir .θθ\theta On Diferansiyel Geometri ve İstatistik Michael K Murray ve John W Rice bu kavramlar okunabilir bile matematiksel ifadeler görmezden nesir açıklanmıştır. Ne yazık ki, çok az örnek var. MathOverflow'daki bu yazı için …

12 distributions  manifold-learning  information-geometry  topologies 

Bu soru, Amari'nin Eğimli Üstel Ailelerin-Eğriliklerin ve Bilgi Kaybının Diferansiyel Geometrisi makalesi ile ilgilidir . Metin aşağıdaki gibi gider. Let bir olması , bir koordinat sistemi ile olasılık dağılımları boyutlu manifoldu , olduğu varsayılır ...Sn= { pθ}Sn={pθ}S^n=\{p_{\theta}\}nnnθ = ( θ1, … , Θn)θ=(θ1,…,θn)\theta=(\theta_1,\dots,\theta_n)pθ( x ) > 0pθ(x)>0p_{\theta}(x)>0 Her nokta kabul …

10 mathematical-statistics  statistical-learning  geometry  information-geometry