คำถามติดแท็ก distributions

ฉันต้องการ "เรียนรู้" การกระจายตัวของเกาวาสแบบไบวารีที่มีตัวอย่างน้อย แต่เป็นสมมติฐานที่ดีเกี่ยวกับการแจกแจงก่อนหน้าดังนั้นฉันจึงต้องการใช้วิธีแบบเบส์ ฉันกำหนดก่อนหน้านี้: P(μ)∼N(μ0,Σ0)P(μ)∼N(μ0,Σ0) \mathbf{P}(\mathbf{\mu}) \sim \mathcal{N}(\mathbf{\mu_0},\mathbf{\Sigma_0}) μ0=[00] Σ0=[160027]μ0=[00] Σ0=[160027] \mathbf{\mu_0} = \begin{bmatrix} 0 \\ 0 \end{bmatrix} \ \ \ \mathbf{\Sigma_0} = \begin{bmatrix} 16 & 0 \\ 0 & 27 \end{bmatrix} และการแจกแจงของฉันให้สมมติฐาน P(x|μ,Σ)∼N(μ,Σ)P(x|μ,Σ)∼N(μ,Σ) \mathbf{P}(x|\mathbf{\mu},\mathbf{\Sigma}) \sim \mathcal{N}(\mathbf{\mu},\mathbf{\Sigma}) μ=[00] Σ=[180018]μ=[00] Σ=[180018] \mathbf{\mu} = \begin{bmatrix} 0 \\ 0 \end{bmatrix} \ \ …

15 distributions  bayesian  estimation  covariance  posterior 

ฉันมีตาข่ายสามมิติแบบสามเหลี่ยม สถิติสำหรับพื้นที่สามเหลี่ยมคือ: ต่ำสุด 0.000 สูงสุด 2341.141 ค่าเฉลี่ย 56.317 Std dev 98.720 ดังนั้นมันหมายถึงสิ่งใดที่มีประโยชน์เป็นพิเศษเกี่ยวกับค่าเบี่ยงเบนมาตรฐานหรือแนะนำว่ามีข้อบกพร่องในการคำนวณเมื่อตัวเลขออกมาเหมือนด้านบน? พื้นที่อยู่ไกลจากการกระจายตามปกติอย่างแน่นอน และเมื่อมีคนพูดถึงคำตอบข้อใดข้อหนึ่งของพวกเขาด้านล่างสิ่งที่ทำให้ฉันประหลาดใจจริง ๆ ก็คือการใช้ SD หนึ่งฉบับจากค่าเฉลี่ยเพื่อให้ตัวเลขติดลบและออกจากโดเมนตามกฎหมาย ขอบคุณ

15 distributions  mean  standard-deviation 

ฉันมีความรู้สึกที่คลุมเครือในสิ่งที่วิธีการส่งข้อความคือ: อัลกอริทึมที่สร้างการประมาณการแจกแจงโดยการสร้างการประมาณซ้ำของปัจจัยการกระจายแบบมีเงื่อนไขในการประมาณทั้งหมดของปัจจัยอื่น ๆ ทั้งหมด ผมเชื่อว่าทั้งสองเป็นตัวอย่างแปรผันข้อความผ่านและคาดว่าจะมีการขยายพันธุ์ ข้อความที่ส่งผ่านอัลกอริทึมอย่างชัดเจน / ถูกต้องคืออะไร ยินดีต้อนรับการอ้างอิง

15 distributions  bayesian  references  algorithms 

ข้อดีและข้อเสียของการเรียนรู้เกี่ยวกับคุณสมบัติของการแจกแจงแบบอัลกอริทึม (ผ่านการจำลองด้วยคอมพิวเตอร์) กับทางคณิตศาสตร์คืออะไร ดูเหมือนว่าการจำลองด้วยคอมพิวเตอร์อาจเป็นวิธีการเรียนรู้ทางเลือกโดยเฉพาะอย่างยิ่งสำหรับนักเรียนใหม่ที่ไม่รู้สึกแข็งแกร่งในแคลคูลัส นอกจากนี้ยังดูเหมือนว่าการจำลองการเข้ารหัสสามารถนำเสนอแนวคิดการกระจายที่เข้าใจง่ายและเร็วขึ้น

15 distributions  algorithms  teaching 

ฉันกำลังอ่านตำราGaussian Process สำหรับการเรียนรู้ของเครื่องโดย CE Rasmussen และ CKI Williams และฉันมีปัญหาในการทำความเข้าใจว่าการกระจายตัวของฟังก์ชั่นนั้นมีความหมายว่าอย่างไร ในหนังสือเรียนยกตัวอย่างให้ใครคิดว่าฟังก์ชั่นเป็นเวกเตอร์ที่ยาวมาก ๆ (อันที่จริงแล้วมันควรจะยาวไม่สิ้นสุด?) ดังนั้นผมจึงจินตนาการว่าการกระจายตัวของฟังก์ชันจะเป็นการแจกแจงความน่าจะเป็นแบบ "เหนือ" ค่าเวกเตอร์เช่นนั้น มันจะเป็นความน่าจะเป็นที่ฟังก์ชันจะใช้ค่านี้หรือไม่? หรือเป็นความน่าจะเป็นที่ฟังก์ชันจะใช้ค่าที่อยู่ในช่วงที่กำหนดหรือไม่? หรือการกระจายตัวของฟังก์ชั่นคือความน่าจะเป็นที่กำหนดให้กับทั้งฟังก์ชัน? คำพูดจากตำราเรียน: บทที่ 1: บทนำหน้า 2 กระบวนการเกาส์เซียนเป็นการแจกแจงความน่าจะเป็นแบบเกาส์ ในขณะที่การแจกแจงความน่าจะเป็นอธิบายตัวแปรสุ่มซึ่งเป็นสเกลาร์หรือเวกเตอร์ (สำหรับการแจกแจงหลายตัวแปร) กระบวนการสโทคาสติกจะควบคุมคุณสมบัติของฟังก์ชัน ออกจากความซับซ้อนทางคณิตศาสตร์กันเราสามารถคิดฟังก์ชั่นเป็นเวกเตอร์ที่ยาวมาก ๆ อย่างอิสระแต่ละรายการในเวกเตอร์ที่ระบุค่าฟังก์ชัน f (x) ที่อินพุตเฉพาะ x ปรากฎว่าแม้ว่าความคิดนี้จะไร้เดียงสาเพียงเล็กน้อย แต่ก็ใกล้เคียงกับสิ่งที่เราต้องการ อันที่จริงคำถามของวิธีที่เราจัดการกับวัตถุมิติที่ไม่มีที่สิ้นสุดเหล่านี้มีความละเอียดที่น่าพอใจมากที่สุดเท่าที่จะเป็นไปได้: ถ้าคุณถามคุณสมบัติของฟังก์ชั่นที่มีจำนวน จำกัด เท่านั้น บทที่ 2: การถดถอยหน้า 7 มีหลายวิธีในการตีความโมเดลการถดถอยแบบเกาส์กระบวนการ (GP) เราสามารถคิดถึงกระบวนการเกาส์เซียนในการกำหนดการกระจายผ่านฟังก์ชั่นและการอนุมานที่เกิดขึ้นโดยตรงในพื้นที่ของฟังก์ชั่นมุมมองพื้นที่ฟังก์ชั่น จากคำถามแรก: ฉันทำภาพแนวคิดนี้เพื่อลองนึกภาพสิ่งนี้ด้วยตัวเอง ฉันไม่แน่ใจว่าคำอธิบายที่ฉันทำเพื่อตัวเองนั้นถูกต้องหรือไม่ …

15 distributions  gaussian-process 

ค่าที่คาดหวังของการแจกแจงคือค่าเฉลี่ยนั่นคือค่าเฉลี่ยถ่วงน้ำหนัก f(x)f(x)f(x)E[x]=∫+∞−∞xf(x)dxE[x]=∫−∞+∞xf(x)dxE[x]=\int_{-\infty}^{+\infty} x \, \, f(x) dx ค่าที่เป็นไปได้มากที่สุดคือโหมดซึ่งเป็นค่าที่น่าจะเป็นที่สุด อย่างไรก็ตามเราคาดหวังว่าจะเห็นหลายครั้ง? ข้อความจากที่นี่ :E[x]E[x]E[x] หากผลลัพธ์ไม่น่าจะเท่ากันดังนั้นค่าเฉลี่ยอย่างง่ายจะต้องถูกแทนที่ด้วยค่าเฉลี่ยถ่วงน้ำหนักซึ่งคำนึงถึงความจริงที่ว่าผลลัพธ์บางอย่างมีแนวโน้มมากกว่าคนอื่น ๆ สัญชาตญาณ แต่ยังคงเหมือนเดิม: มูลค่าที่คาดหวังของคือสิ่งหนึ่งที่คาดว่าจะเกิดขึ้นโดยเฉลี่ยxixix_ixxx ฉันไม่สามารถเข้าใจสิ่งที่ "เกิดขึ้นโดยเฉลี่ย" หมายความว่านี่หมายถึงว่าสำหรับ istance ใช้เวลานานมากในการคาดหวังว่าจะเห็นมากกว่าค่าอื่น ๆ ของหรือไม่? แต่นี่ไม่ใช่นิยามของโหมดใช่ไหมE[x]E[x]E[x]xxx ดังนั้นวิธีการตีความคำสั่งหรือไม่ ความหมายความน่าจะเป็นของคืออะไร?E[x]E[x]E[x] ฉันต้องการแสดงตัวอย่างที่ทำให้สับสน การศึกษาการฉันได้เรียนรู้ว่าโหมด นี้คือχ 2 m o d e = ν - 2ในขณะที่E [ χ 2 ] = νโดยที่νคือองศาของอิสระของข้อมูลχ2χ2\chi^2χ2mode=ν−2χmode2=ν−2\chi^2_{mode}=\nu-2E[χ2]=νE[χ2]=νE[\chi^2]=\nuνν\nu ผมได้ยินที่มหาวิทยาลัยว่าเมื่อทำทดสอบหลังการใช้สแควน้อยวิธีการเพื่อให้พอดีกับชุดของข้อมูลที่ฉันควรคาดหวังว่าจะได้รับχ 2 ≈ เข้าพบเพราะ "ว่าสิ่งที่เกิดขึ้นโดยทั่วไป"χ2χ2\chi^2χ2≈νχ2≈ν\chi^2 \approx …

15 probability  distributions  chi-squared  expected-value  mode 

ฉันใช้ KL Divergence เป็นตัวชี้วัดความแตกต่างกันระหว่าง 2และQp.m.f.p.m.f.p.m.f. PPPQQQ DKL(P||Q)=∑i=1Nln(PiQi)PiDKL(P||Q)=∑i=1Nln⁡(PiQi)PiD_{KL}(P||Q) = \sum_{i=1}^N \ln \left( \frac{P_i}{Q_i} \right) P_i =−∑P(Xi)ln(Q(Xi))+∑P(Xi)ln(P(Xi))=−∑P(Xi)ln(Q(Xi))+∑P(Xi)ln(P(Xi))=-\sum P(X_i)ln\left(Q(X_i)\right) + \sum P(X_i)ln\left(P(X_i)\right) ถ้าP(Xi)=0P(Xi)=0P(X_i)=0 เราสามารถคำนวณ P ( X i ) l n ( P ( X i ) ) = 0P(Xi)ln(Q(Xi))=0P(Xi)ln(Q(Xi))=0P(X_i)ln\left(Q(X_i)\right)=0 P(Xi)ln(P(Xi))=0P(Xi)ln(P(Xi))=0P(X_i)ln\left(P(X_i)\right)=0 แต่ถ้าP(Xi)≠0P(Xi)≠0P(X_i)\ne0และQ(Xi)=0Q(Xi)=0Q(X_i)=0 วิธีการคำนวณP(Xi)ln(Q(Xi))P(Xi)ln(Q(Xi))P(X_i)ln\left(Q(X_i)\right)

15 distributions  distance  kullback-leibler 

ในการอ่านบันทึกย่อของ Blake Master เกี่ยวกับการบรรยายของ Peter Thiel ในช่วงเริ่มต้นฉันเจอคำอุปมาเรื่องพรมแดนด้านเทคโนโลยีนี้: นึกภาพโลกว่าถูกปกคลุมด้วยบึงทะเลสาบและมหาสมุทร คุณอยู่ในเรือในน้ำ แต่มันมีหมอกมากคุณจึงไม่รู้ว่ามันอยู่ไกลจากฝั่งตรงไหน คุณไม่รู้ว่าคุณอยู่ในสระน้ำทะเลสาบหรือมหาสมุทร หากคุณอยู่ในสระน้ำคุณอาจคาดว่าการข้ามจะใช้เวลาประมาณหนึ่งชั่วโมง ดังนั้นถ้าคุณออกไปเที่ยวทั้งวันคุณจะอยู่ในทะเลสาบหรือมหาสมุทร หากคุณออกนอกประเทศเป็นปีคุณกำลังข้ามมหาสมุทร การเดินทางที่ยาวนานขึ้นการเดินทางที่เหลือของคุณก็นานขึ้น เป็นเรื่องจริงที่คุณจะเข้าใกล้อีกด้านมากขึ้นเมื่อเวลาผ่านไป แต่ที่นี่เวลาผ่านไปก็บ่งบอกว่าคุณยังมีวิธีที่จะไป คำถามของฉัน: มีการแจกแจงความน่าจะเป็นหรือกรอบงานเชิงสถิติที่เป็นแบบอย่างที่ดีที่สุดในสถานการณ์นี้

15 distributions  queueing  interarrival-time 

ฉันมีชุดข้อมูลที่ฉันคาดว่าจะติดตามการกระจายของปัวซอง แต่มันมีการกระจายตัวเกินประมาณ 3 เท่า ในปัจจุบันฉันกำลังสร้างแบบจำลองการกระจายเกินปกตินี้โดยใช้โค้ดต่อไปนี้ในอาร์ ## assuming a median value of 1500 med = 1500 rawdist = rpois(1000000,med) oDdist = rawDist + ((rawDist-med)*3) สายตาสิ่งนี้ดูเหมือนจะสอดคล้องกับข้อมูลเชิงประจักษ์ของฉันได้เป็นอย่างดี ถ้าฉันมีความสุขกับแบบที่มีเหตุผลใด ๆ ที่ฉันควรจะทำบางสิ่งบางอย่างที่ซับซ้อนมากขึ้นเช่นการใช้การแจกแจงแบบทวินามลบตามที่อธิบายไว้ที่นี่ ? (ถ้าเป็นเช่นนั้นพอยน์เตอร์หรือลิงก์ในการทำเช่นนั้นจะได้รับการชื่นชมมาก) โอ้และฉันรู้ว่าสิ่งนี้สร้างการกระจายแบบขรุขระเล็กน้อย (เนื่องจากการคูณด้วยสาม) แต่นั่นไม่ควรสำคัญสำหรับแอปพลิเคชันของฉัน อัปเดต: เพื่อประโยชน์ของผู้อื่นที่ค้นหาและพบคำถามนี้ต่อไปนี้เป็นฟังก์ชั่น R ที่ใช้ง่ายในการสร้างแบบจำลองปัวซองที่ใช้โอเวอร์เซ็ตโดยใช้การแจกแจงแบบทวินามลบ ตั้งค่า d เป็นอัตราส่วนค่าเฉลี่ย / ความแปรปรวนที่ต้องการ: rpois.od<-function (n, lambda,d=1) { if (d==1) rpois(n, lambda) else …

15 distributions  modeling  poisson-distribution  overdispersion 

ให้บอกว่าฉันมีประชากรตัวอย่างสองตัวหรือมากกว่าของเวกเตอร์ที่มีมูลค่าต่อเนื่องแบบมิติ n มีวิธีที่ไม่ใช้พารามิเตอร์เพื่อทดสอบว่าตัวอย่างเหล่านี้มาจากการแจกแจงแบบเดียวกันหรือไม่? ถ้าเป็นเช่นนั้นจะมีฟังก์ชั่นใน R หรือหลามนี้หรือไม่?

15 r  distributions  nonparametric  python 

ฉันมักจะพบว่าตัวเองถามคำถามเช่น "ฉันรู้ว่าตัวแปรนี้ อยู่ในและมวลส่วนใหญ่อยู่ในแล้วลดลงอย่างต่อเนื่องต่อ 1 ฉันจะใช้การกระจายแบบใด "( 0 , 1 ) ( 0 , .20 )xxx( 0 , 1 )(0,1)(0,1)( 0 , .20 )(0,.20)(0,.20) ในทางปฏิบัติฉันไขลานโดยใช้การแจกแจงสองสามครั้งซ้ำแล้วซ้ำอีกเพียงเพราะฉันรู้จักพวกเขา แต่ฉันต้องการค้นหาพวกเขาอย่างเป็นระบบมากกว่า ฉันจะไปเกี่ยวกับการเข้าถึงความมั่งคั่งของงานที่ probabilitists ได้ทำการพัฒนาการกระจายเหล่านี้ทั้งหมดได้อย่างไร เป็นการดีที่ฉันต้องการการอ้างอิงที่จัดโดยคุณสมบัติ (ภูมิภาคที่ให้การสนับสนุน ฯลฯ ) ดังนั้นฉันจึงสามารถหาการแจกแจงตามลักษณะของพวกเขาแล้วเรียนรู้เพิ่มเติมเกี่ยวกับการแจกแจงแต่ละครั้งตามความสามารถในการรองรับของ pdf / cdf และความใกล้ชิด ปัญหาที่ฉันกำลังทำอยู่ มีการอ้างอิงดังกล่าวอยู่หรือไม่ถ้าไม่คุณจะเลือกการแจกแจงได้อย่างไร

15 distributions  references 

ฉันต้องการใช้ที่การกระจายเพื่อส่งคืนสินทรัพย์ช่วงเวลาสั้น ๆ ในโมเดลแบบเบย์ ฉันต้องการประเมินทั้งองศาอิสระ (พร้อมกับพารามิเตอร์อื่น ๆ ในโมเดลของฉัน) สำหรับการแจกแจง ฉันรู้ว่าผลตอบแทนของสินทรัพย์นั้นไม่ปกติ แต่ฉันไม่รู้มากไปกว่านั้น อะไรคือการแจกแจงก่อนที่เหมาะสมและให้ข้อมูลอย่างละเอียดสำหรับองศาอิสระในโมเดลดังกล่าว?

15 distributions  bayesian  modeling  prior 

ฉันมีชุดข้อมูลสองชุด (แหล่งข้อมูลและข้อมูลเป้าหมาย) ซึ่งเป็นไปตามการแจกแจงที่แตกต่างกัน ฉันกำลังใช้ MMD - นั่นคือการกระจายระยะทางแบบไม่อิงพารามิเตอร์ - เพื่อคำนวณการกระจายระยะขอบระหว่างข้อมูลต้นทางและเป้าหมาย แหล่งข้อมูล Xs ข้อมูลเป้าหมาย Xt การปรับเมทริกซ์ A * ข้อมูลที่คาดการณ์ไว้ Zs = A '* Xs และ Zt = A' Xt * MMD => ระยะทาง (P (Xs), P (Xt)) = | Mean (A'Xs) - mean (A ' Xt) | นั่นหมายถึง: ระยะห่างของการกระจายระหว่างข้อมูลต้นทางและปลายทางในพื้นที่ดั้งเดิมเท่ากับระยะห่างระหว่างวิธีการของแหล่งข้อมูลที่คาดการณ์และข้อมูลเป้าหมายในพื้นที่ฝังตัว ฉันมีคำถามเกี่ยวกับแนวคิดของ MMD ในสูตร …

15 machine-learning  distributions  distance  feature-construction  domain-adaptation 

ฉันกำลังดำเนินโครงการวิเคราะห์ข้อมูลซึ่งเกี่ยวข้องกับการตรวจสอบเวลาการใช้งานเว็บไซต์ตลอดระยะเวลาหนึ่งปี สิ่งที่ฉันต้องการจะทำคือการเปรียบเทียบว่า "สอดคล้อง" รูปแบบการใช้พูดว่าใกล้เคียงกับรูปแบบที่เกี่ยวข้องกับการใช้งานเป็นเวลา 1 ชั่วโมงสัปดาห์ละครั้งหรือหนึ่งที่เกี่ยวข้องกับการใช้มันเป็นเวลา 10 นาทีต่อครั้ง 6 สัปดาห์ละครั้ง ฉันตระหนักถึงหลายสิ่งที่สามารถคำนวณได้: เอนโทรปีของแชนนอน:วัดว่า "ความแน่นอน" ในผลลัพธ์นั้นแตกต่างกันเท่าใดนั่นคือการกระจายความน่าจะเป็นที่ต่างไปจากชุดที่เป็นเท่าไหร่; Kullback-Liebler divergence:วัดว่าการกระจายความน่าจะเป็นหนึ่งที่แตกต่างจากที่อื่น Jensen-Shannon divergence:คล้ายกับ KL-divergence แต่มีประโยชน์มากกว่าเมื่อมันส่งคืนค่า จำกัด การทดสอบ Smirnov-Kolmogorov : การทดสอบเพื่อตรวจสอบว่าฟังก์ชันการแจกแจงสะสมสองฟังก์ชันสำหรับตัวแปรสุ่มต่อเนื่องมาจากตัวอย่างเดียวกันหรือไม่ การทดสอบแบบไคสแควร์: การทดสอบความดีพอดีเพื่อตัดสินว่าการกระจายความถี่แตกต่างจากการกระจายความถี่ที่คาดหวังได้ดีเพียงใด สิ่งที่ฉันต้องการจะทำคือการเปรียบเทียบระยะเวลาการใช้งานจริง (สีฟ้า) แตกต่างจากเวลาการใช้งานที่เหมาะสมที่สุด (สีส้ม) ในการกระจาย การแจกแจงเหล่านี้ไม่ต่อเนื่องและรุ่นด้านล่างจะถูกทำให้เป็นมาตรฐานเพื่อการแจกแจงความน่าจะเป็น แกนนอนแสดงจำนวนเวลา (เป็นนาที) ที่ผู้ใช้ใช้บนเว็บไซต์ สิ่งนี้ถูกบันทึกไว้ในแต่ละวันของปี; หากผู้ใช้ไม่ได้ไปที่เว็บไซต์เลยนับว่าเป็นระยะเวลาเป็นศูนย์ แต่สิ่งเหล่านี้จะถูกลบออกจากการแจกแจงความถี่ ด้านขวาเป็นฟังก์ชันการแจกแจงสะสม ปัญหาเดียวของฉันคือแม้ว่าฉันจะได้รับ JS-divergence เพื่อคืนค่า จำกัด เมื่อฉันดูผู้ใช้ที่แตกต่างกันและเปรียบเทียบการกระจายการใช้งานของพวกเขากับอุดมคติ แต่ฉันได้รับค่าที่เหมือนกันมากที่สุด (ซึ่งไม่ดี ตัวบ่งชี้ว่ามีความแตกต่างกันเท่าใด) นอกจากนี้ข้อมูลบางส่วนจะหายไปเมื่อ normalizing …

14 distributions  distance  frequency  comparison 

การแจกจ่าย Cauchy เป็นอย่างใดอย่างหนึ่งการกระจาย "ไม่แน่นอน"? ฉันพยายามทำ cs <- function(n) { return(rcauchy(n,0,1)) } ใน R สำหรับค่า n จำนวนมากและสังเกตว่าพวกเขาสร้างค่าที่ไม่แน่นอนค่อนข้างเป็นครั้งคราว เปรียบเทียบกับ as <- function(n) { return(rnorm(n,0,1)) } ซึ่งมักจะให้คะแนนแบบ "กะทัดรัด" โดยรูปนี้มันควรมีลักษณะการกระจายตัวแบบปกติหรือไม่ แต่มันอาจจะเป็นเพียงส่วนหนึ่งของค่า หรืออาจเป็นกลอุบายก็คือการเบี่ยงเบนมาตรฐานของ Cauchy (ในรูปด้านล่าง) มาบรรจบกันช้ากว่ามาก (ไปทางซ้ายและขวา) และทำให้มีค่าผิดปกติที่รุนแรงมากขึ้นแม้ว่าจะมีความน่าจะเป็นต่ำ? นี่คือ rvs ปกติและ cs คือ Cauchy rvs แต่ด้วยปลายสุดของค่าผิดปกติเป็นไปได้ไหมที่ส่วนท้ายของ Cauchy pdf ไม่เคยมาบรรจบกัน?

14 distributions  intuition  cauchy