«kernel-smoothing» etiketlenmiş sorular

Çekirdek yoğunluğu tahmini (KDE) ve Nadaraya-Watson çekirdek regresyonu gibi çekirdek yumuşatma teknikleri, veri noktalarından yerel enterpolasyon ile fonksiyonları tahmin eder. Örneğin SVM'lerde kullanılan çekirdekler için [çekirdek hüneri] ile karıştırılmamalıdır.


4
R'de negatif olmayan değişkenlerin yoğunluk grafikleri için iyi yöntemler?
plot(density(rexp(100)) Açıkçası sıfırın solundaki tüm yoğunluk yanlılığı temsil ediyor. İstatist olmayanlar için bazı verileri özetlemeye çalışıyorum ve negatif olmayan verilerin neden sıfıra sol tarafa yoğunluğa sahip olduğuna dair sorulardan kaçınmak istiyorum. Grafikler randomizasyon kontrolü içindir; Değişkenlerin tedavi ve kontrol gruplarına göre dağılımını göstermek istiyorum. Dağılımlar genellikle üsteldir. Histogramlar çeşitli nedenlerden …


1
“Çekirdek yoğunluğu kestirimi” neyin bir dönüşümüdür?
Çekirdek yoğunluğu tahminini daha iyi anlamaya çalışıyorum. Vikipedi tanımını kullanarak: https://en.wikipedia.org/wiki/Kernel_density_estimation#Definition fh^( x ) = 1nΣni = 1Kh( x - xben)= 1n sΣni = 1K( x - xbenh)fh^(x)=1n∑i=1nKh(x−xi)=1nh∑i=1nK(x−xih) \hat{f_h}(x) = \frac{1}{n}\sum_{i=1}^n K_h (x - x_i) \quad = \frac{1}{nh} \sum_{i=1}^n K\Big(\frac{x-x_i}{h}\Big) yi , ile ile arasında olması durumunda , (pencere boyutu) …

2
Parzen pencere (çekirdek) yoğunluk tahminini mesleğin cinsinden açıklayabilir misiniz?
Parzen pencere yoğunluğu tahmini p ( x ) = 1nΣi = 1n1h2ϕ ( xben- xh)p(x)=1nΣben=1n1h2φ(xben-xh) p(x)=\frac{1}{n}\sum_{i=1}^{n} \frac{1}{h^2} \phi \left(\frac{x_i - x}{h} \right) burada vektörün elemanların sayısı, X bir vektördür p ( x ) bir olasılık yoğunluk olan x , s Parzen pencere boyutu ve φ bir pencere fonksiyonudur.nnnxxxp ( x …

4
PCA alanına yeni bir vektör nasıl yansıtılır?
Temel bileşen analizi (PCA) yaptıktan sonra, PCA alanına yeni bir vektör yansıtmak istiyorum (yani PCA koordinat sistemindeki koordinatlarını bulmak). PCA'yı R dilinde kullanarak hesapladım prcomp. Şimdi vektörümü PCA dönme matrisi ile çarpabilmeliyim. Bu matristeki temel bileşenler satır veya sütunlar halinde mi düzenlenmelidir?
21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 


2
Değişken çekirdek genişlikleri genellikle çekirdek regresyonu için iyi ise, neden çekirdek yoğunluğu tahmini için genellikle iyi değildir?
Bu soru başka bir yerde tartışılarak sorulmaktadır . Değişken çekirdekler genellikle yerel regresyonda kullanılır. Örneğin, loess yaygın olarak kullanılır ve bir regresyon pürüzsüzlüğü kadar iyi çalışır ve veri genişliğine uyum sağlayan değişken genişlikte bir çekirdeğe dayanır. Öte yandan, değişken çekirdeklerin genellikle çekirdek yoğunluğu tahmininde zayıf tahmin edicilere yol açtığı düşünülmektedir …

1
Sıfır hipotezi altında değiştirilebilir örneklerin ardındaki sezgi nedir?
Permütasyon testleri (randomizasyon testi, yeniden randomizasyon testi veya kesin test olarak da adlandırılır) çok faydalıdır ve örneğin normal dağıtım varsayımı t-testkarşılanmadığında ve değerlerin parametrik olmayan test Mann-Whitney-U-test, daha fazla bilginin kaybolmasına neden olur. Bununla birlikte, bu tür bir test kullanılırken bir ve sadece bir varsayım göz ardı edilmemelidir, örneklerin sıfır …
16 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 


3
Ampirik olasılık yoğunlukları arasındaki çakışma nasıl hesaplanır?
İki örnek arasındaki benzerlik ölçüsü olarak, R iki çekirdek yoğunluk tahminleri arasındaki örtüşme alanını hesaplamak için bir yöntem arıyorum. Açıklamak için, aşağıdaki örnekte, morumsu örtüşen bölgenin alanını ölçmem gerekir: library(ggplot2) set.seed(1234) d <- data.frame(variable=c(rep("a", 50), rep("b", 30)), value=c(rnorm(50), runif(30, 0, 3))) ggplot(d, aes(value, fill=variable)) + geom_density(alpha=.4, color=NA) Benzer bir soru …


1
Türevlerin çekirdek yoğunluk tahmincisi için en uygun bant genişliği var mı?
Çekirdek yoğunluk tahmincisini kullanarak bir dizi gözlem temelinde yoğunluk fonksiyonunu tahmin etmem gerekiyor. Aynı gözlem kümesine dayanarak, çekirdek yoğunluk tahmin edicisinin türevlerini kullanarak yoğunluğun birinci ve ikinci türevlerini de tahmin etmem gerekiyor. Bant genişliği kesinlikle nihai sonuç üzerinde büyük bir etkiye sahip olacaktır. İlk olarak, KDE bant genişliğini veren birkaç …


3
Yoğunluk tahmini nerede yararlıdır?
Biraz hafif matematikten geçtikten sonra, çekirdek yoğunluğu tahmininde hafif bir sezgim olduğunu düşünüyorum. Ancak, üçten fazla değişken için çok değişkenli yoğunluğun tahmin edilmesinin, tahmin edicilerinin istatistiksel özellikleri açısından iyi bir fikir olmayabileceğinin de farkındayım. Öyleyse, ne tür durumlarda parametrik olmayan yöntemler kullanarak iki değişkenli yoğunluğu tahmin etmek istiyorum? İkiden fazla …

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