Statystyki i duże zbiory danych

3

Liczba parametrów w sztucznej sieci neuronowej dla AIC

Jak obliczyć liczbę parametrów w sztucznej sieci neuronowej, aby obliczyć jej AIC?

11 neural-networks aic

1

Metodologia bootstrap. Po co ponownie próbkować „z zastępstwem” zamiast losowego podpróbkowania?

Metoda bootstrap bardzo się rozpowszechniła w ostatnich latach, ja też jej często używam, zwłaszcza że rozumowanie jest dość intuicyjne. Ale tego nie rozumiem. Dlaczego Efron postanowił wykonać ponowne próbkowanie z zamianą zamiast zwykłego podpróbkowania przez losowe włączanie lub wyłączanie pojedynczych obserwacji? Myślę, że losowe podpróbkowanie ma jedną bardzo dobrą jakość, …

11 bootstrap resampling subsampling

1

OLS vs. Poisson GLM z łączem tożsamości

Moje pytanie ujawnia moje słabe zrozumienie regresji Poissona i ogólnie GLM. Oto kilka fałszywych danych ilustrujących moje pytanie: ### some fake data x=c(1:14) y=c(0, 1, 2, 3, 1, 4, 9, 18, 23, 31, 20, 25, 37, 45) Niektóre niestandardowe funkcje zwracające psuedo-R2: ### functions of pseudo-R2 psuR2 <- function(null.dev, model.dev) …

11 generalized-linear-model poisson-distribution

2

Funkcja kosztu krzyżowego w sieci neuronowej

Patrzę na funkcję kosztu entropii znalezioną w tym samouczku : do= - 1n∑x[ ylna + ( 1 - y) ln( 1 - a ) ]do=-1n∑x[yln⁡za+(1-y)ln⁡(1-za)]C = -\frac{1}{n} \sum_x [y \ln a+(1−y)\ln(1−a)] Co dokładnie sumujemy? Jest to oczywiście ponad , ale i a nie zmieniają się z x . Wszystkie x …

11 neural-networks error-propagation

2

Jak wytrenować SVM poprzez propagację wsteczną?

Zastanawiałem się, czy można wyszkolić maszynę SVM (powiedzmy liniową, aby ułatwić) za pomocą propagacji wstecznej? Obecnie jestem w bloku drogowego, ponieważ mogę tylko myśleć o pisaniu wyjście klasyfikatora jako fa( x ; θ , b ) = sgn ( θ ⋅ x - ( b + 1 ) ) = …

11 machine-learning neural-networks svm gradient-descent backpropagation

2

Jak symulować dane cenzurowane

Zastanawiam się, jak mogę zasymulować próbkę n okresów życia rozkładu Weibulla, które obejmują obserwacje z cenzurą po prawej stronie typu I. Na przykład niech n = 3, kształt = 3, skala = 1, a szybkość cenzury = 0,15, a czas cenzury = 0,88. Wiem, jak wygenerować próbkę Weibulla, ale nie …

11 r survival simulation random-generation

1

Scikit Binomial Deviance Loss Function

Jest to funkcja utraty dwumianowej dewiacji przez GradientBoosting, def __call__(self, y, pred, sample_weight=None): """Compute the deviance (= 2 * negative log-likelihood). """ # logaddexp(0, v) == log(1.0 + exp(v)) pred = pred.ravel() if sample_weight is None: return -2.0 * np.mean((y * pred) - np.logaddexp(0.0, pred)) else: return (-2.0 / sample_weight.sum() …

11 machine-learning scikit-learn boosting loss-functions

3

Czy sieć neuronowa może nauczyć się funkcjonalnej i jej funkcjonalnej pochodnej?

Rozumiem, że sieci neuronowe (NN) można uznać za uniwersalne aproksymatory zarówno funkcji, jak i ich pochodnych, pod pewnymi założeniami (zarówno w sieci, jak i funkcji do aproksymacji). W rzeczywistości przeprowadziłem szereg testów prostych, ale nietrywialnych funkcji (np. Wielomianów) i wydaje się, że rzeczywiście potrafię je dobrze przybliżyć i ich pierwsze …

11 machine-learning neural-networks function derivative

1

Czy maszyna wektorów wsparcia jest wrażliwa na korelację między atrybutami?

Chciałbym trenować maszynę SVM do klasyfikowania przypadków (PRAWDA / FAŁSZ) na podstawie 20 atrybutów. Wiem, że niektóre z tych atrybutów są wysoce skorelowane. Dlatego moje pytanie brzmi: czy SVM jest wrażliwy na korelację lub nadmiarowość między funkcjami? Jakieś referencje?

11 svm multicollinearity kernel-trick

1

Jak interpretować wycięte wykresy pudełkowe

Wykonując EDA postanowiłem użyć wykresu pudełkowego, aby zilustrować różnicę między dwoma poziomami czynnika. Sposób, w jaki ggplot renderował wykres pudełkowy, był zadowalający, ale nieco uproszczony (pierwszy wykres poniżej). Podczas badania właściwości wykresów pudełkowych zacząłem eksperymentować z wycięciami. Rozumiem, że wycięcia wyświetlają CI wokół mediany i że jeśli wycięcia dwóch pól …

11 data-visualization ggplot2 eda

3

Łańcuchy Markowa vs. HMM

Łańcuchy Markowa mają dla mnie sens, mogę je wykorzystać do modelowania probabilistycznych zmian stanu w rzeczywistych problemach. Potem jest HMM. Mówi się, że HMM są bardziej odpowiednie do modelowania wielu problemów niż MC. Jednak problemy, o których wspominają ludzie, są nieco skomplikowane do zrozumienia, na przykład przetwarzanie mowy. Więc moje …

11 hidden-markov-model

2

Dlaczego funkcja STL daje znaczną zmienność sezonową z danymi losowymi

Narysowałem następujący kod z funkcją stl (Seasonal Decomposition of Time Series by Loess): plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) Pokazuje znaczącą zmienność sezonową z losowymi danymi umieszczonymi powyżej w kodzie (funkcja rnorm). Odmiana sygnalizująca jest widoczna za każdym razem, gdy jest uruchamiana, chociaż wzór jest inny. Dwa takie wzory pokazano poniżej: Jak możemy …

11 time-series seasonality loess

2

Czy wzrosnąć, gdy

Jeśli β∗=argminβ∥y−Xβ∥22+λ∥β∥1β∗=argminβ‖y−Xβ‖22+λ‖β‖1\beta^*=\mathrm{arg\,min}_{\beta} \|y-X\beta\|^2_2+\lambda\|\beta\|_1 , może ∥β∗∥2‖β∗‖2\|\beta^*\|_2 wzrosnąć, gdy λλ\lambda wzrasta? Myślę, że to jest możliwe. Chociaż ∥β∗∥1‖β∗‖1\|\beta^*\|_1 nie rośnie, gdy λλ\lambda rośnie (mój dowód ), ∥β∗∥2‖β∗‖2\|\beta^*\|_2 może wzrosnąć. Poniższy rysunek pokazuje możliwość. Kiedy λλ\lambda rośnie, jeśli β∗β∗\beta^* przemieszcza się (liniowo) od PPP do QQQ , wtedy ∥β∗∥2‖β∗‖2\|\beta^*\|_2 rośnie, podczas gdy …

11 lasso

1

Czy mogę używać ReLU w autoencoderze jako funkcji aktywacyjnej?

Podczas wdrażania autoencodera z siecią neuronową większość osób użyje sigmoid jako funkcji aktywacyjnej. Czy zamiast tego możemy użyć ReLU? (Ponieważ ReLU nie ma limitu górnej granicy, w zasadzie oznacza to, że obraz wejściowy może mieć piksel większy niż 1, w przeciwieństwie do ograniczonych kryteriów dla autoencodera, gdy używany jest sigmoid).

11 machine-learning neural-networks deep-learning autoencoders

4

Podziel dane na N równych grup

Mam ramkę danych, która zawiera wartości w 4 kolumnach: Na przykład: ID, price, click count,rating Chciałbym „podzielić” tę ramkę danych na N różnych grup, w których każda grupa będzie miała taką samą liczbę wierszy z takim samym rozkładem ceny, liczby kliknięć i atrybutów ocen. Wszelkie porady są mile widziane, ponieważ …

11 r distributions