Statistiche e Big Data

Domande e risposte per le persone interessate alle statistiche, all'apprendimento automatico, all'analisi dei dati, al data mining e alla visualizzazione dei dati

2
Come scegliere la formazione, la convalida incrociata e le dimensioni dei set di test per dati di piccole dimensioni di campioni?
Supponiamo che io abbia una piccola dimensione del campione, ad esempio N = 100, e due classi. Come dovrei scegliere la formazione, la validazione incrociata e le dimensioni dei set di test per l'apprendimento automatico? Vorrei scegliere intuitivamente La formazione imposta la dimensione come 50 Convalida incrociata impostare la dimensione …
1
Perché il bagging utilizza esempi bootstrap?
Il bagging è il processo di creazione di N studenti su N diversi campioni bootstrap, quindi prendendo la media delle loro previsioni. La mia domanda è: perché non utilizzare qualsiasi altro tipo di campionamento? Perché usare i campioni bootstrap?
10 bagging 
2
Qual è la stima della massima verosimiglianza della covarianza dei dati normali bivariati quando si conoscono media e varianza?
Supponiamo di avere un campione casuale da una distribuzione normale bivariata che ha zero come mezzo e uno come varianza, quindi l'unico parametro sconosciuto è la covarianza. Qual è il MLE della covarianza? So che dovrebbe essere qualcosa come ma come facciamo a saperlo?1nΣnj = 1Xjyj1nΣj=1nXjyj\frac{1}{n} \sum_{j=1}^{n}x_j y_j
2
Variante Caret per il modello randomForest
Ho difficoltà a capire come varImpfunziona la funzione per un modello randomForest con il caretpacchetto. Nell'esempio seguente, la funzione var3 assume un'importanza zero utilizzando la varImpfunzione caret , ma il modello finale randomForest sottostante ha un'importanza diversa da zero per la funzione var3. Perché è così? require(randomForest) require(caret) rf <- …
10 r  caret  random-forest 
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.