«smoothing» etiketlenmiş sorular

Veri analizinde spline'lar veya çekirdek düzleştiriciler gibi yumuşatma yöntemleri, aynı zamanda düşüklük gibi regresyon yumuşatır.

3
Pearson korelasyonunun zaman serileri ile doğru kullanımı
Ne kadar korelasyon gösterdiklerini görmek için çapraz korelasyon kurmak istediğim 2 zaman serisine (her ikisi de pürüzsüz) sahibim. Pearson korelasyon katsayısını kullanmak niyetindeyim. Bu uygun mu? İkinci sorum ise istediğim gibi 2 zaman serisini örneklemeyi seçebildiğim. yani kaç tane veri noktasını seçeceğimizi seçebiliyorum. Bu çıktı olan korelasyon katsayısını etkiler mi? …


4
Uç durumlarda hassaslık ve geri çağırma için doğru değerler nelerdir?
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 

2
Yumuşatma - ne zaman kullanılır ve ne zaman kullanılmaz?
William Briggs'in blogunda , verileri yumuşatma ve bu yumuşatılmış verileri analize taşıma tuzaklarına bakan oldukça eski bir yazı var . Temel argüman şudur: Delilik anında, pürüzsüz zaman serisi verileri yaparsanız ve diğer analizlere girdi olarak kullanırsanız, kendinizi kandırma olasılığını önemli ölçüde artırırsınız! Bunun nedeni, düzleştirmenin sahte sinyalleri, diğer analitik yöntemlere …

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 …

3
Kneser-Ney yumuşatmada görünmeyen kelimeler nasıl ele alınır?
Gördüğüm kadarıyla, (ikinci dereceden) Kneser-Ney yumuşatma formülü şu ya da bu şekilde P2KN(wn|wn−1)=max{C(wn−1,wn)−D,0}∑w′C(wn−1,w′)+λ(wn−1)×Pcont(wn)PKN2(wn|wn−1)=max{C(wn−1,wn)−D,0}∑w′C(wn−1,w′)+λ(wn−1)×Pcont(wn) \begin{align} P^2_{KN}(w_n|w_{n-1}) &= \frac{\max \left\{ C\left(w_{n-1}, w_n\right) - D, 0\right\}}{\sum_{w'} C\left(w_{n-1}, w'\right)} + \lambda(w_{n-1}) \times P_{cont}(w_n) \end{align} normalize faktörü ile λ(wn−1)λ(wn−1)\lambda(w_{n-1}) olarak verilmiştir λ(wn−1)=D∑w′C(wn−1,w′)×N1+(wn−1∙)λ(wn−1)=D∑w′C(wn−1,w′)×N1+(wn−1∙) \begin{align} \lambda(w_{n-1}) &= \frac{D}{\sum_{w'} C\left(w_{n-1}, w'\right)} \times N_{1+}\left(w_{n-1}\bullet\right) \end{align} ve devam olasılığı Pcont(wn)Pcont(wn)P_{cont}(w_n) …

2
Verileri yumuşatma ve tekdüzeliği zorlama
Düzeltmek istediğim bazı verilerim var, böylece düzeltilmiş noktalar monoton olarak azalıyor. Verilerim keskin bir şekilde azalıyor ve daha sonra platoya başlıyor. İşte R'yi kullanan bir örnek df <- data.frame(x=1:10, y=c(100,41,22,10,6,7,2,1,3,1)) ggplot(df, aes(x=x, y=y))+geom_line() Kullanabileceğim iyi bir yumuşatma tekniği nedir? Ayrıca, 1. yumuşatılmış noktayı gözlemlenen noktama yakın olmaya zorlayabilirsem iyi olur.

1
Mgcv GAM modelinde yumuşatma nasıl ayarlanır
Bir mgcv: gam modelinde düzgünleştirme parametrelerini nasıl kontrol edeceğimizi anlamaya çalışıyorum. Öncelikle sabit bir ızgarada x ve y koordinatlarının bir fonksiyonu olarak modellemeye çalıştığım bir binom değişkenim var, artı daha küçük etkileri olan diğer değişkenler. Geçmişte paket yerini ve sadece (x, y) değerlerini kullanarak oldukça iyi bir yerel regresyon modeli …
14 r  smoothing  mgcv 

4
Zaman serisi verilerini yumuşatma
Uyku trendlerini analiz etmek ve isteğe bağlı olarak kullanıcıyı hafif uyku sırasında istenen bir zamana yakın uyandırmak için uyku sırasında ivmeölçer verilerini kaydeden bir android uygulaması inşa ediyorum. Alarmın yanı sıra veri toplayan ve depolayan bileşeni zaten oluşturdum. Yine de uyku verilerini görüntüleme ve kaydetme canavarını gerçekten anlamlı ve açık …

2
Bir Kalman filtresi ne zaman basit bir hareketli ortalamadan daha iyi sonuç verir?
Yakın zamanda, rastgele bir hız ve ivme ile bir parçacık pozisyonunu ölçmenin basit örneğine bir Kalman filtresi uyguladım. Kalman filtresinin iyi çalıştığını buldum, ancak daha sonra kendime bu ve sadece hareketli bir ortalama yapmak arasındaki farkın ne olduğunu sordum? Hareketli ortalamanın Kalman filtresinden daha iyi performans sergilediği yaklaşık 10 numunelik …

5
Düzgünleştirilmiş verilerden R'deki bükülme noktalarını bulma
Düzgün kullandığım bazı verilerim var loess. Düzeltilmiş çizginin bükülme noktalarını bulmak istiyorum. Mümkün mü? Eminim birisi bunu çözmek için süslü bir yöntem yapmış ... Yani ... sonuçta, R! Kullandığım yumuşatma işlevini değiştirme konusunda iyiyim. Sadece kullandım loessçünkü geçmişte kullandığım şey buydu. Ancak herhangi bir yumuşatma işlevi iyidir. Bükülme noktalarının kullandığım …
14 r  smoothing  loess 

2
Kalman filtresi nasıl kullanılır?
2B alanda (bir yüzey) bir nesnenin yörüngesi var. Yörünge bir (x,y)koordinat dizisi olarak verilir . Ölçümlerimin gürültülü olduğunu ve bazen belirgin aykırı değerlerim olduğunu biliyorum. Bu yüzden gözlemlerimi filtrelemek istiyorum. Kalman filtresini anladığım kadarıyla, tam olarak ihtiyacım olanı yapıyor. Bu yüzden kullanmaya çalışıyorum. Burada bir python uygulaması buldum . Ve …

2
Laplace yumuşatma ve Dirichlet önceki
Açık Ara maddesi Laplace yumuşatma (ya da katkı maddesi düzgünleştirme) arasında, söz konusu olan bir görüş Bayes açıdan, bu, önceki olarak parametresiyle simetrik bir Dirichlet dağılımı kullanarak posterior dağılımın beklenen değerine karşılık gelir .αα\alpha Bunun nasıl doğru olduğu konusunda şaşkınım. Birisi bu iki şeyin nasıl eşdeğer olduğunu anlamama yardımcı olabilir …

2
Çekirdek yoğunluk tahmininde çekirdek bant genişliği
Ağırlıklı noktalar ayarlanmış (yani her bir numunenin gerekli olmayan bir ağırlığı vardır), N boyutlarında bazı Çekirdek yoğunluk tahmini yapıyorum. Ayrıca, bu örnekler sadece bir metrik uzaydadır (yani, aralarındaki mesafeyi tanımlayabiliriz) ama başka bir şey değildir. Örneğin, numune noktalarının ortalamasını, standart sapmayı veya bir değişkeni diğerine göre ölçekleyemeyiz. Çekirdek sadece bu …


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