Statistiken und Big Data risk

9

Ist es falsch, „1 von 80 Todesfällen wird durch einen Autounfall verursacht“ umzuschreiben, wenn „1 von 80 Menschen infolge eines Autounfalls sterben“?

Statement One (S1): "Einer von 80 Toten ist auf einen Autounfall zurückzuführen." Statement Two (S2): "Einer von 80 Menschen stirbt an den Folgen eines Autounfalls." Ich persönlich sehe keinen großen Unterschied zwischen diesen beiden Aussagen. Beim Schreiben würde ich sie für ein Laienpublikum als austauschbar betrachten. Allerdings haben mich jetzt …

56 interpretation risk

5

Umgang mit hierarchischen / verschachtelten Daten beim maschinellen Lernen

Ich werde mein Problem mit einem Beispiel erklären. Angenommen, Sie möchten das Einkommen einer Person anhand einiger Attribute vorhersagen: {Alter, Geschlecht, Land, Region, Stadt}. Sie haben einen Trainingsdatensatz wie diesen train <- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3), RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5), CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8), Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50), Gender=factor(c("M","F","M","F", "M","F","M","F", "F","F","F","M")), Income=c(31,42,71,65, 50,51,101,38, 47,50,55,23)) …

29 regression machine-learning multilevel-analysis correlation dataset spatial paired-comparisons cross-correlation clustering aic bic dependent-variable k-means mean standard-error measurement-error errors-in-variables regression multiple-regression pca linear-model dimensionality-reduction machine-learning neural-networks deep-learning conv-neural-network computer-vision clustering spss r weighted-data wilcoxon-signed-rank bayesian hierarchical-bayesian bugs stan distributions categorical-data variance ecology r survival regression r-squared descriptive-statistics cross-section maximum-likelihood factor-analysis likert r multiple-imputation propensity-scores distributions t-test logit probit z-test confidence-interval poisson-distribution deep-learning conv-neural-network residual-networks r survey wilcoxon-mann-whitney ranking kruskal-wallis bias loss-functions frequentist decision-theory risk machine-learning distributions normal-distribution multivariate-analysis inference dataset factor-analysis survey multilevel-analysis clinical-trials

1

Beispiel der strengen von Neumann-Ungleichung

Sei r(π,δ)r(π,δ)r(\pi, \delta) das Bayes-Risiko eines Schätzers δδ\delta in Bezug auf ein vorheriges , sei die Menge aller Prioren auf dem Parameterraum und seiΠ Θ Δππ\piΠΠ\PiΘΘ\ThetaΔΔ\Delta die Menge aller (möglicherweise) randomisierte) Entscheidungsregeln. Die statistische Interpretation von John von Neumanns Minimax-Ungleichung besagt dies supπ∈Πinfδ∈Δr(π,δ)≤infδ∈Δsupπ∈Πr(π,δ),supπ∈Πinfδ∈Δr(π,δ)≤infδ∈Δsupπ∈Πr(π,δ), \sup_{\pi\in\Pi} \inf_{\delta\in\Delta} r(\pi, \delta) \leq \inf_{\delta\in\Delta}\sup_{\pi\in\Pi} r(\pi, …

12 bayesian decision-theory risk

1

Wie passt ein Schätzer, der eine gewichtete Summe aus quadratischer Verzerrung und Varianz minimiert, in die Entscheidungstheorie?

Okay - meine ursprüngliche Nachricht konnte keine Antwort auslösen. Lassen Sie mich die Frage anders stellen. Ich werde zunächst mein Verständnis der Schätzung aus einer entscheidungstheoretischen Perspektive erläutern. Ich habe keine formelle Ausbildung und es würde mich nicht überraschen, wenn mein Denken in irgendeiner Weise fehlerhaft ist. Angenommen, wir haben …

10 bias loss-functions frequentist decision-theory risk

Als «risk» getaggte Fragen