Statystyki i duże zbiory danych

9
Co to jest kopuła adaptacyjna?

Moje podstawowe pytanie brzmi: co to jest kopuła adaptacyjna? Mam slajdy z prezentacji (niestety nie mogę zapytać autora slajdów) o kopiach adaptacyjnych i nie rozumiem, co to znaczy resp. do czego to jest dobre? Oto slajdy: Następnie slajdy kontynuują test punktu zmiany. Zastanawiam się, o co...

9
Interpolacja Fouriera / trygonometryczna

tło W artykule Epsteina (1991): Przy uzyskiwaniu dziennych wartości klimatologicznych ze średnich miesięcznych podano formułę i algorytm obliczania interpolacji Fouriera dla wartości okresowych i równomiernych. W artykule celem jest uzyskanie dziennych wartości ze środków miesięcznych poprzez...

9
Szanse i ilorazy szans w regresji logistycznej

Mam trudności ze zrozumieniem jednego wyjaśnienia regresji logistycznej. Regresja logistyczna zachodzi między temperaturą a rybami, które giną lub nie giną. Nachylenie regresji logistycznej wynosi 1,76. Następnie szanse, że umrą ryby, wzrosną o współczynnik exp (1,76) = 5,8. Innymi słowy, szanse,...

9
Problem zabawki z regresją procesu Gaussa

Próbowałem uzyskać intuicję w regresji procesu Gaussa, więc podjąłem prosty problem z zabawką 1D, aby wypróbować. wziąłemxja= { 1 , 2 , 3 }xja={1,2),3)}x_i=\{1,2,3\} jako dane wejściowe, oraz yja= { 1 , 4 , 9 }yi={1,4,9}y_i=\{1,4,9\}jako odpowiedzi. („Inspirowane” zy=x2)y=x2y=x^2) Do regresji...

9
W jaki sposób mundur wcześniejszy prowadzi do tych samych szacunków na podstawie maksymalnego prawdopodobieństwa i trybu z tyłu?

Badam różne metody szacowania punktowego i czytam, że kiedy używam oszacowań MAP vs ML, kiedy używamy „jednolitego wcześniejszego”, oszacowania są identyczne. Czy ktoś może wyjaśnić, czym jest „jednolity” uprzedni i podać (proste) przykłady, kiedy estymatory MAP i ML będą takie...

9
Zamieszanie związane z próbkowaniem Gibbsa

Natknąłem się na ten artykuł, w którym napisano, że w próbkowaniu Gibbsa każda próbka jest akceptowana. Jestem trochę zmieszany. Jak to możliwe, że jeśli każda zaakceptowana próbka zbiega się w rozkład stacjonarny. Ogólnie algorytm metropolii akceptujemy jako min (1, p (x *) / p (x)), gdzie x *...