«monte-carlo» etiketlenmiş sorular

Temel Bileşen Analizi (PCA) veya Ampirik Ortogonal İşlev (EOF) Analizinden çıkan önemli kalıpların sayısını belirlemekle ilgileniyorum. Özellikle bu yöntemi iklim verilerine uygulamakla ilgileniyorum. Veri alanı, M'nin zaman boyutu (örneğin günler) ve N'nin uzaysal boyut (örneğin, lon / lat konumları) olduğu bir MxN matrisidir. Önemli bilgisayarları belirlemek için olası bir önyükleme …

40 r  pca  bootstrap  monte-carlo 

Birisi, verilerin özelliklerine (gözlem sayısı, vb.) Ve / veya içerilen değişkenlere dayanarak, kullanılması gereken önyükleme örneklerinin sayısıyla ilgili genel kurallar biliyor mu?

40 bootstrap  inference  monte-carlo 

MCMC yöntemlerini öğrenmeye çalıştım ve Metropolis Hastings, Gibbs, Önem ve Reddetme örneklemesine rastladım. Bu farklılıkların bazıları açık olmasına rağmen, yani, tam şartlara sahip olduğumuzda Gibbs'in Metropolis Hastings'in ne kadar özel bir durum olduğu açık olsa da, diğerleri Gibbs örnekleyicisinde MH kullanmak istediğimizde olduğu gibi, daha az belirgindir. Bunların her biri …

36 mcmc  monte-carlo  gibbs  metropolis-hastings  importance-sampling 

Son zamanlarda Monte Carlo simülasyonuna baktım ve onu ( yaklaşık bir dikdörtgen, orantılı alan içinde) gibi sabitleri yaklaşık olarak belirlemek için kullanıyorum .ππ\pi Bununla birlikte, Monte Carlo entegrasyonunu kullanarak [Euler sayısı] değerine yaklaşmak için uygun bir yöntem düşünemiyorum .eee Bunun nasıl yapılabileceği hakkında herhangi bir işaret var mı?

35 simulation  monte-carlo  algorithms  random-generation  numerical-integration 

Monte Carlo olmayan bir simülasyon metodu var mı? Tüm simülasyon yöntemleri, fonksiyon için bir değer aralığı bulmak üzere fonksiyona rasgele sayıları değiştirmeyi içerir. Öyleyse tüm simülasyon yöntemleri esas olarak Monte Carlo yöntemleri midir?

35 monte-carlo 

Örneğin, standart normal dağıtımdan 10 gerçekleştirme gibi, belirli bir dağıtımdan rastgele bir sayıyı manuel olarak nasıl oluşturabilirim?

30 normal-distribution  simulation  monte-carlo  random-generation  randomness 

Öncelikle denetlenen çok değişkenli analiz tekniklerine başvurmak amacıyla çeşitli çapraz doğrulama yöntemlerini öğrenmeye çalışıyorum. Karşılaştığım iki K-kat ve Monte Carlo çapraz doğrulama teknikleri. K-fold'ın Monte Carlo'daki bir varyasyon olduğunu okudum ama Monte Carlo'nun tanımını neyin yaptığını tam olarak anladığımdan emin değilim. Birisi lütfen bu iki yöntem arasındaki farkı açıklayabilir mi?

29 cross-validation  monte-carlo 

Bir işlevi bütünleştirirken veya karmaşık simülasyonlarda, Monte Carlo yönteminin yaygın olarak kullanıldığını gördüm. Kendime neden birinin rastgele noktalar çizmek yerine bir işlevi bütünleştirmek için bir nokta ızgarası oluşturmadığını soruyorum. Bu daha kesin sonuçlar getirmez mi?

25 monte-carlo 

Takviye öğrenmeyi öğrenmeye çalışıyorum ve bu konu benim için kafa karıştırıcı. İstatistiklere giriş yaptım, ancak sezgisel olarak bu konuyu anlayamadım.

23 variance  simulation  monte-carlo  unbiased-estimator  importance-sampling 

MCMC (Markov zinciri Monte Carlo) yöntemleri üzerine sahip olduğum az bilgiye dayanarak, örneklemenin yukarıda belirtilen tekniğin çok önemli bir parçası olduğunu anlıyorum. En sık kullanılan örnekleme yöntemleri Hamiltonian ve Metropolis'tir. Daha verimli bir MCMC örnekleyici oluşturmak için makine öğrenimini veya hatta derin öğrenmeyi kullanmanın bir yolu var mı?

21 machine-learning  mcmc  monte-carlo  markov-process 

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 

Eğer f1,…,fkf1,…,fkf_1,\ldots,f_k benzetim yapabileceğim, yani bir algoritmanın mevcut olduğu bilinen yoğunluklardır. ve ürün ∏i=1kfi(x)αiα1,…,αk>0∏i=1kfi(x)αiα1,…,αk>0\prod_{i=1}^k f_i(x)^{\alpha_i}\qquad \alpha_1,\ldots,\alpha_k>0 entegre edilebilir,fifif_i 'ssimülatörlerini kullanarak bu ürün yoğunluğundan benzetim yapmak için genel bir yaklaşım varmı?

20 simulation  monte-carlo  geometric-mean  scalability  finite-mixture-model 

MCMC'yi bir soruna uygulamaya çalışıyorum, ancak önceliklerim (benim durumumda α∈[0,1],β∈[0,1]α∈[0,1],β∈[0,1]\alpha\in[0,1],\beta\in[0,1] ) bir alanla sınırlı mı? Normal MCMC kullanabilir ve kısıtlı bölgenin dışında kalan örnekleri yok sayabilir miyim (bu durumda [0,1] ^ 2), yani yeni geçiş kısıtlı (kısıtlı) alanın dışına çıktığında geçiş işlevini yeniden kullanabilir miyim?

18 sampling  mcmc  monte-carlo  random-walk 

Algoritmayı anlama şeklim şudur: Hiçbir U Dönüşü Örnekleyici (NUTS), Hamiltonian Monte Carlo Yöntemidir. Bu, bir Markov Zinciri yöntemi olmadığı anlamına gelir ve bu nedenle, bu algoritma, genellikle verimsiz ve yakınsama yavaş olarak kabul edilen rastgele yürüyüş parçasından kaçınır. Rastgele yürüyüş yapmak yerine, NUTS x uzunluğunda atlar yapar. Her atlama algoritma …

18 bayesian  monte-carlo  markov-process 

Burada tanımlanan mavi bölgeden örnekler oluşturmak istiyorum: Saf çözüm, birim karede reddetme örneklemesi kullanmaktır, ancak bu sadece (~% 21.4) verimlilik sağlar.1−π/41−π/41-\pi/4 Daha verimli örneklememin bir yolu var mı?

17 probability  sampling  monte-carlo  random-generation