Pytania otagowane jako graphical-model

Nazywany również probabilistycznym modelem graficznym, używany do modeli statystycznych wyrażonych za pomocą wykresów, przyczynowych lub nie. (Uwaga, „wykres” jak w teorii grafów, * nie * jak na rysunku lub wykresie).

3
Przykład: regresja LASSO z użyciem glmnet dla wyniku binarnego
Zaczynam bawić sięglmnet za pomocą regresji LASSO, gdzie moje wyniki zainteresowania są dychotomiczne. Poniżej utworzyłem małą próbną ramkę danych: 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, 0.85, 0.67, 0.91, …
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 
2
Interpretacja wykresu reszt i dopasowanych wartości w celu weryfikacji założeń modelu liniowego
Rozważ następującą liczbę z modeli liniowych Faraway z R (2005, s. 59). Pierwszy wykres wydaje się wskazywać, że reszty i dopasowane wartości są nieskorelowane, ponieważ powinny być w homoscedastycznym modelu liniowym z błędami o rozkładzie normalnym. Dlatego drugi i trzeci wykres, które wydają się wskazywać na zależność między wartościami resztkowymi …
4
Gdzie jest teoria grafów w modelach graficznych?
Wprowadzenie do modeli graficznych opisuje je jako „... połączenie teorii grafów z teorią prawdopodobieństwa”. Rozumiem część teorii prawdopodobieństwa, ale mam problem ze zrozumieniem, gdzie dokładnie pasuje teoria grafów. Jakie spostrzeżenia z teorii grafów pomogły nam pogłębić nasze rozumienie rozkładów prawdopodobieństwa i podejmowania decyzji w warunkach niepewności? Szukam konkretnych przykładów poza …
1
Kiedy Markowa pól losowych
W swoim podręczniku, graficznych modelach rodziny wykładniczej i wariacyjne Inference , M. Jordana i M. Wainwright omówić związek między rodzinami wykładnicze i Markowa pól losowych (nieukierunkowane modeli graficznych). Staram się lepiej zrozumieć związek między nimi za pomocą następujących pytań: Czy wszyscy członkowie MRF należą do rodzin wykładniczych? Czy wszyscy członkowie …
3
Zrozumienie teorii separacji d w przyczynowych sieciach bayesowskich
Próbuję zrozumieć logikę d-separacji w przyczynowych sieciach bayesowskich. Wiem, jak działa algorytm, ale nie do końca rozumiem, dlaczego „przepływ informacji” działa zgodnie z tym, co podano w algorytmie. Na przykład na powyższym wykresie, zastanówmy się, że podano nam tylko X i nie zaobserwowano żadnej innej zmiennej. Następnie zgodnie z zasadami …
2
Parametry bez zdefiniowanych priorytetów w Stan
Właśnie zacząłem uczyć się używać Stana i rstan. Chyba że zawsze byłem zdezorientowany, jak działały JAGS / BŁĘDY, myślałem, że zawsze musisz zdefiniować jakiś wcześniejszy rozkład dla każdego parametru w modelu, z którego chcesz czerpać. Wygląda na to, że nie musisz tego robić w Stanie na podstawie jego dokumentacji. Oto …
4
Czy istnieją jakieś samouczki na temat Bayesowskiej teorii prawdopodobieństwa lub modeli graficznych na przykład?
Widziałem odniesienia do nauki bayesowskiej teorii prawdopodobieństwa w języku R i zastanawiałem się, czy jest czegoś takiego, być może konkretnie w Pythonie? Skoncentrowany na nauce Bayesowskiej teorii prawdopodobieństwa, wnioskowania, szacowania maksymalnego prawdopodobieństwa, modeli graficznych i tym podobnych?
4
Czy krawędzie na ukierunkowanym wykresie acyklicznym reprezentują związek przyczynowy?
Studiuję probabilistyczne modele graficzne , książkę do samodzielnej nauki. Czy krawędzie na ukierunkowanym wykresie acyklicznym (DAG) reprezentują relacje przyczynowe? Co jeśli chcę zbudować sieć bayesowską , ale nie jestem pewien co do kierunku strzałek? Wszystkie dane pokażą mi, że zaobserwowano korelacje, a nie wzajemne powiązania między nimi. Wiem, że pytam …
3
Modelowanie matematyczne sieci neuronowych jako modeli graficznych
Usiłuję stworzyć matematyczne połączenie między siecią neuronową a modelem graficznym. W modelach graficznych pomysł jest prosty: rozkład prawdopodobieństwa jest rozkładany na czynniki według klików na wykresie, przy czym potencjały zwykle należą do rodziny wykładniczej. Czy istnieje równoważne uzasadnienie dla sieci neuronowej? Czy można wyrazić rozkład prawdopodobieństwa dla jednostek (zmiennych) w …
2
Czy modele graficzne i maszyny Boltzmanna są powiązane matematycznie?
Podczas gdy faktycznie programowałem na maszynach Boltzmanna na zajęciach z fizyki, nie znam ich teoretycznej charakterystyki. W przeciwieństwie do tego znam skromną wiedzę na temat teorii modeli graficznych (o kilku pierwszych rozdziałach książki Lauritzen Modele graficzne ). Pytanie: Czy istnieje jakiś znaczący związek między modelami graficznymi a maszyną Boltzmanna? Czy …
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.