Запитання з тегом «self-study»

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 

Питання Якщо X 1 , ⋯ , X n ∼ N ( μ , 1 )X1,⋯,Xn∼N(μ,1)X_1,\cdots,X_n \sim \mathcal{N}(\mu, 1) - IID, то обчисліть E ( X 1 ∣ T )E(X1∣T)\mathbb{E}\left( X_1 \mid T \right) , де T = ∑ i X iT=∑iXiT = \sum_i X_i . Спроба . Перевірте, чи …

14 probability  self-study  mathematical-statistics  conditional-probability  conditional-expectation 

(аа був би одним із багатьох, bb не став) Я думав, що це буде 10! / 8! Але, мабуть, я роблю щось не так. Хто-небудь може мені допомогти, тому що я наткнувся.

14 self-study  combinatorics 

Я взяв курс машинного навчання в коледжі. В одній із цитат було задано це питання. Модель 1: y=θx+ϵy=θx+ϵ y = \theta x + \epsilon Модель 2: y=θx+θ2x+ϵy=θx+θ2x+ϵ y = \theta x + \theta^2 x + \epsilon Яка з перерахованих моделей краще відповідатиме даним? (припустимо, дані можна моделювати за допомогою лінійної …

14 regression  machine-learning  self-study  modeling  model 

Підведемо підсумок потоку випадкових величин, X i i i d ∼ U ( 0 , 1 )Xi∼iidU(0,1)X_i \overset{iid}\sim \mathcal{U}(0,1) ; нехай YYY - кількість доданків, яких нам потрібно, щоб загальна сума перевищила один, тобто YYY - найменше число, таке, що X 1 + X 2 + ⋯ + X Y …

14 probability  self-study  expected-value  uniform 

Pr(X>x)Pr(X>x)\Pr(X>x)

14 self-study 

По-перше, я припускаю, що не всі активні учасники цього цікавого веб-сайту є статистиками як їхня робота. Інакше питання, яке задається наступним чином, не має сенсу! Я, звичайно, їх поважаю, але мені потрібно пояснення, які є трохи більш практичними, ніж концептуальними. Почну з прикладу з Вікіпедії, щоб визначити point process: Нехай …

14 self-study  terminology  notation 

У R drop1команда виводить щось акуратне. Ці дві команди мають отримати вихід: example(step)#-> swiss drop1(lm1, test="F") Моя виглядає так: > drop1(lm1, test="F") Single term deletions Model: Fertility ~ Agriculture + Examination + Education + Catholic + Infant.Mortality Df Sum of Sq RSS AIC F value Pr(F) <none> 2105.0 190.69 Agriculture …

14 r  regression  self-study  stepwise-regression 

Здається, існує велика плутанина в порівнянні використання glmnetв рамках caretпошуку оптимальної лямбда та використання cv.glmnetтого ж завдання. Поставлено багато питань, наприклад: Класифікаційна модель train.glmnet vs. cv.glmnet? Який правильний спосіб використання glmnet з каретою? Перехресне підтвердження `glmnet` за допомогою` caret` але відповіді не надано, що може бути пов'язано з відтворюваністю питання. …

14 r  caret  glmnet  machine-learning  neural-networks  maximum  softmax  probability  distributions  mathematical-statistics  random-variable  cdf  statistical-significance  variance  expected-value  ratio  sample-size  reliability  tolerance-interval  wilcoxon-signed-rank  self-study  variance  sampling  mean  machine-learning  svm  libsvm  self-study  sampling  ranks  data-visualization  histogram  machine-learning  classification  normal-distribution  mathematical-statistics  maximum-likelihood  mixture  predictive-models  prediction  seasonality 

Зачинено. Це питання поза темою . Наразі відповіді не приймаються. Хочете вдосконалити це питання? Оновіть питання, щоб воно було тематичним для перехресної перевірки. Закрито 5 років тому . Call: glm(formula = darters ~ river + pH + temp, family = poisson, data = darterData) Deviance Residuals: Min 1Q Median 3Q …

14 self-study  generalized-linear-model  interpretation  poisson-regression 

Я брав курс машинного навчання Ендрю Нґ, і не зміг отримати відповідь на це питання правильно після декількох спроб. Ласкаво допоможіть вирішити це, хоч я пройшов рівень. Припустимо, студенти взяли якийсь клас, а клас мав середній іспит та підсумковий іспит. Ви зібрали набір даних про їхні бали на двох іспитах:м=4m=4m=4 …

14 machine-learning  self-study  normalization 

Я знаю, що для безперервної змінної .P[X=x]=0P[X=x]=0P[X=x]=0 Але я не можу уявити, що якщо , існує нескінченна кількість можливих 's. А також чому їх вірогідність стає нескінченно малою?xP[X=x]=0P[X=x]=0P[X=x]=0xxx

14 probability  self-study  references  continuous-data 

Нехай і - чотири випадкові величини, такі, що , де - невідомі параметри. Припустимо також, що ,Тоді яка з них справжня?Y1, Y2, Y3Y1,Y2,Y3Y_1,Y_2,Y_3Y4Y4Y_4Е( Y1) = θ1- θ3; Е ( Y2) = θ1+ θ2- θ3; Е ( Y3) = θ1- θ3; Е ( Y4) = θ1- θ2- θ3E(Y1)=θ1−θ3; E(Y2)=θ1+θ2−θ3; E(Y3)=θ1−θ3; E(Y4)=θ1−θ2−θ3E(Y_1)=\theta_1-\theta_3;\space\space …

13 self-study  estimation  inference 

Недбало читаючи деякі твори масового ринку з теорії хаосу протягом останніх кількох років, я почав замислюватися, як різні аспекти його можуть бути застосовані до вибору даних та суміжних областях, як нейронні мережі, розпізнавання шаблонів, управління невизначеністю тощо. На сьогоднішній день я я одержав так мало прикладів таких застосувань у опублікованому …

13 self-study  mathematical-statistics  references  data-mining  fractal 

У розділі 3.2 Розпізнавання шаблону Єпископа та машинного навчання він розглядає декомпозицію дисперсійної дисперсії, заявляючи, що для функції збитку в квадраті очікувана втрата може бути розкладена на термін зсуву в квадрат (який описує, наскільки середні прогнози від істинного модель), термін дисперсії (який описує поширення прогнозів навколо середнього) та термін шуму …

13 self-study  variance  bias  regularization  loss-functions