Statistiken und Big Data

Fragen und Antworten für Personen, die sich für Statistik, maschinelles Lernen, Datenanalyse, Data Mining und Datenvisualisierung interessieren

3
Verwendung von DLM mit Kalman-Filter für Prognosen
Diese Frage wurde von Stack Overflow migriert, da sie bei Cross Validated beantwortet werden kann. Vor 8 Jahren migriert . Könnte mir jemand ein Beispiel zur Verwendung der DLM-Kalman-Filterung in R für eine Zeitreihe zeigen? Angenommen, ich habe diese Werte (vierteljährliche Werte mit jährlicher Saisonabhängigkeit). Wie würden Sie DLM verwenden, …
1
Welche MCMC-Algorithmen / Techniken werden für diskrete Parameter verwendet?
Ich kenne mich mit der Anpassung kontinuierlicher Parameter, insbesondere mit gradientenbasierten Methoden, ziemlich gut aus, aber nicht mit der Anpassung diskreter Parameter. Was sind allgemein verwendete MCMC-Algorithmen / Techniken zum Anpassen diskreter Parameter? Gibt es Algorithmen, die sowohl allgemein als auch leistungsfähig sind? Gibt es Algorithmen, die sich gut mit …
19 bayesian  mcmc 
3
Ist die Bayes'sche Statistik eine echte Verbesserung gegenüber der traditionellen (frequentistischen) Statistik für die Verhaltensforschung?
Diese Frage wurde von Skeptics Stack Exchange migriert, da sie auf Cross Validated beantwortet werden kann. Vor 8 Jahren migriert . Während der Teilnahme an Konferenzen gab es einen gewissen Schub von Befürwortern der Bayes'schen Statistik, um die Ergebnisse von Experimenten zu bewerten. Es gilt als sensibler, angemessener und selektiver …
2
Wann ist „Nächster Nachbar“ heute sinnvoll?
1999 stellten Beyer et al. gefragt, wann ist "Nächster Nachbar" sinnvoll? Gibt es seit 1999 bessere Möglichkeiten zur Analyse und Visualisierung der Auswirkung der Abstandsflachheit auf die NN-Suche? Bietet [ein gegebener] Datensatz aussagekräftige Antworten auf das 1-NN-Problem? Das 10-NN-Problem? Das 100-NN-Problem? Wie würden Sie Experten diese Frage heute angehen? Änderungen …
1
Interpretation von 2D-Korrespondenzanalyseplots
Ich habe weit und breit im Internet gesucht ... Ich habe noch keinen wirklich guten Überblick über die Interpretation von 2D-Korrespondenzanalyseplots gefunden. Könnte jemand einen Rat zur Interpretation der Entfernungen zwischen Punkten geben? Vielleicht würde ein Beispiel helfen. Hier ist eine Handlung, die auf vielen der Websites zu finden ist, …
10
Lernressourcen zum Erstellen von Datenvisualisierungen?
Ich bin daran interessiert zu lernen, wie Sie die Art von Visualisierungen erstellen, die Sie unter http://flowingdata.com und informationisbeautiful sehen. EDIT: Das heißt, Visualisierungen, die für sich selbst interessant sind - ein bisschen wie die NY Times-Grafiken, im Gegensatz zu einem schnellen Etwas für einen Bericht. Mit welchen Tools werden …
7
Messungen der Modellkomplexität
Wie können wir die Komplexität zweier Modelle mit der gleichen Anzahl von Parametern vergleichen? Edit 09/19 : Um zu verdeutlichen, ist die Modellkomplexität ein Maß dafür, wie schwierig es ist, aus begrenzten Daten zu lernen. Wenn zwei Modelle zu vorhandenen Daten gleich gut passen, führt ein Modell mit geringerer Komplexität …
6
Was ist die Grundidee des maschinellen Lernens zum Schätzen von Parametern?
Die Grundidee der Statistik zur Schätzung von Parametern ist die maximale Wahrscheinlichkeit . Ich frage mich, was der entsprechende Gedanke beim maschinellen Lernen ist. Frage 1: Wäre es fair zu sagen, dass die Grundidee des maschinellen Lernens zur Schätzung von Parametern lautet: "Verlustfunktionen"? [Anmerkung: Ich habe den Eindruck, dass Algorithmen …
1
Warum wird der James-Stein-Schätzer "Schrumpfungsschätzer" genannt?
Ich habe über den James-Stein-Schätzer gelesen. In diesen Anmerkungen wird definiert als θ^=(1−p−2∥X∥2)Xθ^=(1−p−2‖X‖2)X \hat{\theta}=\left(1 - \frac{p-2}{\|X\|^2}\right)X Ich habe den Beweis gelesen, verstehe aber die folgende Aussage nicht: Geometrisch schrumpft der James-Stein-Schätzer jede Komponente von zum Ursprung ...XXX Was bedeutet "Verkleinert jede Komponente von zum Ursprung" genau? Ich dachte an etwas …
2
Was ist der Grund für die Matérn-Kovarianzfunktion?
Die Matérn-Kovarianzfunktion wird üblicherweise als Kernel-Funktion im Gaußschen Prozess verwendet. Es ist so definiert Cν(d)=σ221−νΓ(ν)(2ν−−√dρ)νKν(2ν−−√dρ)Cν(d)=σ221−νΓ(ν)(2νdρ)νKν(2νdρ) {\displaystyle C_{\nu }(d)=\sigma ^{2}{\frac {2^{1-\nu }}{\Gamma (\nu )}}{\Bigg (}{\sqrt {2\nu }}{\frac {d}{\rho }}{\Bigg )}^{\nu }K_{\nu }{\Bigg (}{\sqrt {2\nu }}{\frac {d}{\rho }}{\Bigg )}} Dabei ist eine Abstandsfunktion (wie die euklidische Distanz), ist die Gammafunktion, ist die …
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.