Odpowiedzi na pytania tematyczne dotyczące geometrii. W przypadku pytań czysto matematycznych o geometrii lepiej zapytać na matematyce SE https://math.stackexchange.com/
Kanoniczna analiza korelacji (CCA) jest techniką związaną z analizą głównych składników (PCA). Chociaż łatwo jest nauczyć się PCA lub regresji liniowej za pomocą wykresu punktowego (zobacz kilka tysięcy przykładów w wyszukiwaniu obrazów w Google), nie widziałem podobnego intuicyjnego dwuwymiarowego przykładu dla CCA. Jak wizualnie wyjaśnić, co robi liniowy CCA?
Co to jest zmienna supresorowa w regresji wielokrotnej i jakie mogą być sposoby wizualnego wyświetlania efektu supresji (jego mechanika lub dowody w wynikach)? Chciałbym zaprosić wszystkich, którzy myślą, do podzielenia się.
Oto cytat z książki Bishopa „Rozpoznawanie wzorców i uczenie maszynowe”, rozdział 12.2.4 „Analiza czynnikowa”: Według wyróżnionej części analizy czynnika oddaje kowariancji pomiędzy zmiennymi w macierzy WWW . Zastanawiam się JAK ? Oto jak to rozumiem. Powiedzmy, że xxx to obserwowana zmienna ppp wymiarowa, WWW to macierz obciążenia czynnikowego, a zzz …
Wiem, że regresję liniową można uznać za „linię, która jest pionowo najbliższa wszystkich punktów” : Jest jednak inny sposób, aby to zobaczyć, wizualizując przestrzeń kolumny, jako „rzut na przestrzeń rozciągniętą przez kolumny macierzy współczynników” : Moje pytanie brzmi: co się dzieje w tych dwóch interpretacjach, gdy stosujemy karaną regresję liniową, …
Interesuje mnie geometryczne znaczenie wielokrotnej korelacji RRR i współczynnik determinacji w regresji lub w notacji wektorowej,R2R2R^2yi=β1+β2x2,i+⋯+βkxk,i+ϵiyi=β1+β2x2,i+⋯+βkxk,i+ϵiy_i = \beta_1 + \beta_2 x_{2,i} + \dots + \beta_k x_{k,i} + \epsilon_i y=Xβ+ϵy=Xβ+ϵ\mathbf{y} = \mathbf{X \beta} + \mathbf{\epsilon} Tutaj macierz projektowa ma wierszyXX\mathbf{X}nnnkkk kolumn, z których pierwszą jest , wektor 1s, który odpowiada przecięciu …
Próbuję uzyskać intuicyjne zrozumienie działania analizy głównych składników (PCA) w przestrzeni przedmiotowej (podwójnej) . Rozważ zestaw danych 2D z dwiema zmiennymi, x1x1x_1 i x2x2x_2 oraz punktami danych (macierz danych wynosi i zakłada się, że jest wyśrodkowana). Typowa prezentacja PCA polega na tym, że bierzemy pod uwagę punktów w , zapisujemy …
W przypadku modelu liniowego możemy uzyskać przyjemną geometryczną interpretację oszacowanego modelu za pomocą OLS: . jest rzutem y na przestrzeń rozpiętą na x, a reszta jest prostopadła do tej przestrzeni rozpiętej na x.y = x β + e r ey= x β+ ey=xβ+ey=x\beta+ey^= x β^+ e^y^=xβ^+e^\hat{y}=x\hat{\beta}+\hat{e}y^y^\hat{y}mi^e^\hat{e} Moje pytanie brzmi: czy …
Kurtoza ma mierzyć szczytowość i płaskość rozkładu. Funkcja gęstości rozkładu, jeśli istnieje, może być postrzegana jako krzywa i ma cechy geometryczne (takie jak krzywizna, wypukłość, ...) związane z jej kształtem. Zastanawiam się więc, czy kurtoza rozkładu jest związana z niektórymi cechami geometrycznymi funkcji gęstości, które mogą wyjaśnić geometryczne znaczenie kurtozy?
Czytałem książkę Franklin M. Fisher, The Identification Problem In Econometrics , i byłem zdezorientowany tym, że demonstruje on identyfikację poprzez wizualizację funkcji prawdopodobieństwa. Problem można uprościć, ponieważ: Dla regresji , gdzie u ∼ i . i . d . N ( 0 , Ď 2 I ) , i b …
To pytanie dotyczy artykułu Różnicowa geometria zakrzywionych rodzin wykładniczych-krzywizny i utraty informacji autorstwa Amari. Tekst wygląda następująco. Niech będzie wymiarowym kolektorem rozkładów prawdopodobieństwa z układem współrzędnych , gdzie zakłada się ...n θ = ( θ 1 , … , θ n ) p θ ( x ) > 0Sn={pθ}Sn={pθ}S^n=\{p_{\theta}\}nnnθ=(θ1,…,θn)θ=(θ1,…,θn)\theta=(\theta_1,\dots,\theta_n)pθ(x)>0pθ(x)>0p_{\theta}(x)>0 Możemy …
W podręczniku, który czytam, używają one pozytywnej definitywności (półdodatniej definitywności) do porównania dwóch macierzy kowariancji. Pomysł jest, że jeśli jest Pd następnie jest mniejsza niż . Ale walczę o intuicję tego związku?A - BA−BA-BbBBZAAA Istnieje podobny wątek tutaj: /math/239166/what-is-the-intuition-for-using-definiteness-to-compare-matrices Jaka jest intuicja używania definitywności do porównywania macierzy? Chociaż odpowiedzi są …
Załóżmy, że mamy macierz danych XX\mathbf{X}, który jest nnn-przez-pppi wektor etykiety YYY, który jest nnn-do-jednego. Tutaj każdy wiersz macierzy jest obserwacją, a każda kolumna odpowiada wymiarowi / zmiennej. (założyćn > pn>pn>p) Więc co data space, variable space, observation space, model spaceoznaczają? Czy przestrzeń jest rozpięta przez wektor kolumny, a (zdegenerowana) …
Z matematycznego punktu widzenia Twierdzenie Bayesa ma dla mnie idealny sens (tj. Wyprowadzanie i dowodzenie), ale nie wiem, czy istnieje ładny argument geometryczny lub graficzny, który można wykazać, aby wyjaśnić Twierdzenie Bayesa. Próbowałem Googlinga w poszukiwaniu odpowiedzi na to pytanie i, co zaskakujące, nie znalazłem nic na ten temat.
Używamy plików cookie i innych technologii śledzenia w celu poprawy komfortu przeglądania naszej witryny, aby wyświetlać spersonalizowane treści i ukierunkowane reklamy, analizować ruch w naszej witrynie, i zrozumieć, skąd pochodzą nasi goście.
Kontynuując, wyrażasz zgodę na korzystanie z plików cookie i innych technologii śledzenia oraz potwierdzasz, że masz co najmniej 16 lat lub zgodę rodzica lub opiekuna.