Запитання з тегом «kernel-smoothing»

Існує кілька різних видів використання: Оцінка щільності ядра хитрість ядра згладжування ядра Будь-ласка, поясніть, що означає "ядро" в них, звичайно, англійською мовою, своїми словами.

73 kernel-trick  kernel-smoothing 

plot(density(rexp(100)) Очевидно, вся щільність зліва від нуля являє собою зміщення. Я хочу узагальнити деякі дані для нестатистів, і хочу уникати запитань про те, чому невід’ємні дані мають щільність зліва від нуля. Ділянки призначені для перевірки рандомізації; Я хочу показати розподіл змінних за групами лікування та контролю. Розподіл часто є експоненціальними. …

36 r  pdf  gamma-distribution  kernel-smoothing 

Для одновимірних оцінювачів щільності ядра (KDE) я використовую правило Сільвермана для обчислення :hhh 0.9min(sd,IQR/1.34)×n−0.20.9min(sd,IQR/1.34)×n−0.2\begin{equation} 0.9 \min(sd, IQR/1.34)\times n^{-0.2} \end{equation} Назвіть стандартні правила для багатоваріантного KDE (якщо припустити нормальне ядро).

29 smoothing  kernel-smoothing 

Я намагаюся краще зрозуміти оцінку щільності ядра. Використання визначення з Вікіпедії: https://en.wikipedia.org/wiki/Kernel_density_estimation#Definition fгод^( х ) = 1н∑нi = 1Кгод( х - хi)= 1n год∑нi = 1К( х - хiгод)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) Візьмемо як прямокутну функцію, яка дає якщо знаходиться в …

25 r  kernel-smoothing  convolution 

Оцінка щільності вікна Парзен описується як p(x)=1n∑i=1n1h2ϕ(xi−xh)p(x)=1n∑i=1n1h2ϕ(xi−xh) p(x)=\frac{1}{n}\sum_{i=1}^{n} \frac{1}{h^2} \phi \left(\frac{x_i - x}{h} \right) де - кількість елементів у векторі, - вектор, - щільність вірогідності , - розмірність вікна Парцен, а - функція вікна.nnnxxxp(x)p(x)p(x)xxxhhhϕϕ\phi Мої запитання: Яка основна відмінність між функцією вікна Парцена та іншими функціями щільності, такими як Гауссова …

24 pdf  kernel-smoothing  intuition  density-estimation 

Після проведення аналізу основних компонентів (PCA) я хочу спроектувати новий вектор на простір PCA (тобто знайти його координати в системі координат PCA). Я розрахував PCA мовою R за допомогою prcomp. Тепер я повинен мати можливість помножити свій вектор на матрицю обертання PCA. Чи повинні головні компоненти в цій матриці розташовуватися …

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 

Я читав (наприклад, тут ), що ядро ​​Epanechnikov є оптимальним, принаймні в теоретичному сенсі, при оцінці щільності ядра. Якщо це правда, то чому Гаусс відображається так часто, як ядро ​​за замовчуванням або в багатьох випадках єдине ядро ​​в бібліотеках оцінки щільності?

18 nonparametric  kernel-smoothing 

Це питання спонукається до обговорення в інших місцях . Змінні ядра часто використовуються при локальній регресії. Наприклад, льос широко використовується і добре працює як регресія, і ґрунтується на ядрі змінної ширини, яке адаптується до розрідженості даних. З іншого боку, звичайно вважається, що змінні ядра призводять до поганих оцінок при оцінці …

17 nonparametric  smoothing  kernel-smoothing  loess 

Перестановочні тести (також називаються тестом рандомизації, тестом на повторну рандомізацію або точним тестом) дуже корисні і корисні, коли припущення про нормальний розподіл, необхідне, наприклад, t-testне виконується, і при перетворенні значень за ранжуванням непараметричний тест, як-от Mann-Whitney-U-test, призведе до втрати більше інформації. Однак одне і єдине припущення не слід оминути увагою …

15 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 

Я намагаюся використовувати функцію ' щільності ' в R, щоб робити оцінки щільності ядра. У мене виникають труднощі з інтерпретацією результатів та порівнянням різних наборів даних, оскільки, здається, площа під кривою не обов'язково 1. Для будь-якої функції щільності ймовірностей (pdf) нам потрібно мати область . Я припускаю, що оцінка щільності …

15 r  estimation  pdf  kernel-smoothing  auc 

Я шукаю метод обчислення площі перекриття між двома оцінками щільності ядра в R, як міру подібності між двома вибірками. Щоб уточнити, у наступному прикладі мені потрібно було б кількісно визначити область пурпурної області, що перекривається: 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)) …

14 r  probability  pdf  kernel-smoothing 

У мене є вибірка з 100 точок, які є суцільними та одновимірними. Я оцінив його непараметричну щільність за допомогою методів ядра. Як я можу взяти випадкові вибірки з цього розрахункового розподілу?

14 r  sampling  kernel-smoothing 

Мені потрібно оцінити функцію щільності на основі набору спостережень за допомогою оцінювача щільності ядра. Спираючись на той самий набір спостережень, мені також потрібно оцінити перший та другий похідні щільності за допомогою похідних оцінювача щільності ядра. Пропускна здатність, безумовно, матиме великий вплив на кінцевий результат. По-перше, я знаю, що є пара …

14 r  nonparametric  pdf  kernel-smoothing 

Чи може хто-небудь пояснити простою англійською мовою, в чому різниця між правилами Скотта та Сільвермана для вибору пропускної здатності? Зокрема, коли один кращий за іншого? Це пов’язано з базовим розподілом? Кількість зразків? PS Я маю на увазі код у SciPy .

14 kernel-smoothing 

Переглянувши трохи збиту математику, я думаю, що у мене є незначна інтуїція оцінки щільності ядра. Але я також усвідомлюю, що оцінка багатоваріантної щільності для більш ніж трьох змінних може бути не дуже хорошою ідеєю з точки зору статистичних властивостей її оцінювачів. Отже, у яких ситуаціях слід оцінити, скажімо, біваріантну щільність …

14 nonparametric  pdf  kernel-smoothing  bivariate  density-estimation