Запитання з тегом «graphical-model»

Я починаю балуватися з використанням glmnetз LASSO регресією , де мій результат становить інтерес дихотомический. Я створив невеликий макетний кадр даних нижче: age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p <- c(0.86, 0.45, 0.99, 0.84, …

77 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 

Я шукаю [вільне] програмне забезпечення, яке може створювати красиві графічні моделі, наприклад Будь-які пропозиції будуть вдячні.

50 graphical-model  software 

Розглянемо наступний малюнок з лінійних моделей Faraway з R (2005, стор. 59). Перший сюжет, схоже, вказує на те, що залишкові та пристосовані значення є некорельованими, оскільки вони повинні бути в гомосептичній лінійній моделі з нормально розподіленими помилками. Тому другий та третій графіки, які, схоже, вказують на залежність між залишками та …

34 regression  residuals  assumptions  graphical-model 

Вони, схоже, представляють випадкові змінні вузлами та (в) залежності через (можливо, спрямовані) ребра. Мене особливо цікавить байєсівська точка зору.

34 causality  neural-networks  multilevel-analysis  graphical-model 

Вступ до графічних моделей характеризує їх як "... шлюб між теорією графа та теорією ймовірностей". Я отримую частину теорії ймовірностей, але у мене виникають проблеми з розумінням того, куди саме підходить теорія графів. Які розуміння теорії графів допомогли поглибити наше розуміння розподілу ймовірностей та прийняття рішень у невизначеності? Я шукаю …

29 graphical-model  graph-theory  distributions 

Зараз я переживаю «Байєсівське розум і машинне навчання» Девіда Барбера, і це надзвичайно добре написана та захоплююча книга для вивчення основ. Тож питання до того, хто це вже зробив. Який наступний набір книг я повинен пройти після того, як я отримаю достатнє знання з більшістю концепцій Барбер?

22 machine-learning  bayesian  references  graphical-model 

У підручнику, графічні моделях, експоненціальна сім'ї та варіаційні умовиводах , М. Йордані і М. Уейнрайт обговорюється зв'язок між експонентними родинами і марковскими випадковими полів (неорієнтовані графічні моделями). Я намагаюся краще зрозуміти стосунки між ними за допомогою наступних питань: Чи всі члени ДПС сімей експоненціалів? Чи можуть усі члени родин експоненціалів …

21 mathematical-statistics  graphical-model 

Якщо я фіксую значення спостережуваних вузлів MRF, чи стає це CRF?

19 probability  graphical-model  graph-theory  conditional-random-field  markov-random-field 

Я намагаюся зрозуміти логіку d-розділення в причинних байєсівських мережах. Я знаю, як працює алгоритм, але я не точно розумію, чому працює "потік інформації", як зазначено в алгоритмі. Наприклад, на графіку вище, давайте подумаємо, що нам задано лише X, а іншої змінної не спостерігається. Тоді, згідно з правилами d-поділу, потік інформації …

15 bayesian  causality  graphical-model  bayesian-network 

Я тільки почав вчитися користуватися Стен і rstan. Якщо я завжди не плутався з тим, як працюють JAGS / BUGS, я вважав, що вам завжди потрібно визначити попередній розподіл для кожного параметра в моделі, з якої слід виводитись. Схоже, вам не доведеться робити цього в Стен на основі його документації. …

15 mcmc  prior  jags  graphical-model  stan 

Я бачив посилання на вивчення баєсівської теорії ймовірностей в R, і мені було цікаво, чи є щось подібне, можливо, конкретно в Python? Орієнтований на вивчення байєсівської теорії ймовірностей, умовиводу, максимальної оцінки ймовірності, графічних моделей і подібного роду?

13 machine-learning  bayesian  python  graphical-model 

Я вивчаю імовірнісні графічні моделі , книгу для самостійного вивчення. Чи ребра в спрямованому ациклічному графіку (DAG) представляють причинно-наслідкові зв’язки? Що робити, якщо я хочу побудувати байєсівську мережу , але я не впевнений у напрямку стрілок у ній? Усі дані підкажуть мені, що спостерігаються кореляції, а не взаємозв'язки між ними. …

13 causality  graphical-model  bayesian-network  dag 

Я намагаюся зробити математичний зв’язок між нейронною мережею та графічною моделлю. У графічних моделях ідея проста: розподіл ймовірностей розподіляється відповідно до кліків на графіку, при цьому потенціали, як правило, належать до експоненціальної родини. Чи існує рівнозначне міркування для нейронної мережі? Чи можна виразити розподіл ймовірності над одиницями (змінними) в машині …

12 neural-networks  markov-process  graphical-model  deep-learning  deep-belief-networks 

З Вікіпедії Динамічна байесівська мережа (DBN) - байєсівська мережа, яка пов'язує змінні один з одним за суміжними етапами часу. Це часто називають B-Timeslice BN, оскільки це говорить про те, що в будь-який момент часу T значення змінної можна обчислити з внутрішніх регресорів та безпосереднього попереднього значення (час T-1) . DBN …

11 hidden-markov-model  graphical-model 

Хоча я фактично займався програмуванням з машинами Больцмана на уроці фізики, я не знайомий з їх теоретичною характеристикою. Навпаки, я знаю скромну кількість про теорію графічних моделей (про перші кілька розділів книги « Графічні моделі» Лаурітцена ). Запитання: Чи є якісь змістовні зв’язки між графічними моделями та машиною Больцмана? Чи …

10 machine-learning  neural-networks  mathematical-statistics  graphical-model  rbm