Domande taggate «gibbs»

Il campionatore Gibbs è una semplice forma di simulazione di Markov Chain Monte Carlo, ampiamente utilizzata nelle statistiche bayesiane, basata sul campionamento da distribuzioni condizionali complete per ogni variabile o gruppo di variabili. Il nome deriva dal metodo utilizzato per la prima volta sulla modellazione a campi casuali di Gibbs di immagini di Geman e Geman (1984).

1
Campionamento Gibbs per modello Ising
Domanda a casa: Considera il modello Ising 1-d. Sia . è -1 o +1x ix=(x1,...xd)x=(x1,...xd)x = (x_1,...x_d)xixix_i π(x)∝e∑39i=1xixi+1π(x)∝e∑i=139xixi+1\pi(x) \propto e^{\sum_{i=1}^{39}x_ix_{i+1}} Progettare un algoritmo di campionamento gibbs per generare campioni approssimativamente dalla distribuzione target .π(x)π(x)\pi(x) Il mio tentativo: Scegli casualmente i valori (-1 o 1) per riempire il vettore x=(x1,...x40)x=(x1,...x40)x = …
2
Confusione legata al campionamento di Gibbs
Mi sono imbattuto in questo articolo in cui si dice che nel campionamento di Gibbs ogni campione è accettato. Sono un po 'confuso. Come mai se ogni campione che ha accettato converge in una distribuzione stazionaria. In generale Metropolis Algorithm accettiamo come min (1, p (x *) / p (x)) …
2
Calcola la curva ROC per i dati
Quindi, ho 16 prove in cui sto cercando di autenticare una persona da un tratto biometrico usando Hamming Distance. La mia soglia è impostata su 3,5. I miei dati sono di seguito e solo la versione di prova 1 è un vero positivo: Trial Hamming Distance 1 0.34 2 0.37 …
9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction 
1
Qual è il modo corretto di scrivere la rete elastica?
Sono confuso sul modo corretto di scrivere la rete elastica. Dopo aver letto alcuni articoli di ricerca sembrano esserci tre forme 1) exp{ -λ1|βK| -λ2β2K}exp⁡{-λ1|βK|-λ2βK2}\exp\{-\lambda_1|\beta_k|-\lambda_2\beta_k^2\} 2) exp{ -(λ1|βK| +λ2β2K)σ2√}exp⁡{-(λ1|βK|+λ2βK2)σ2}\exp\{-\frac{(\lambda_1|\beta_k|+\lambda_2\beta_k^2)}{\sqrt{\sigma^2}}\} 3) exp{ -(λ1|βK| +λ2β2K)2σ2}exp⁡{-(λ1|βK|+λ2βK2)2σ2}\exp\{-\frac{(\lambda_1|\beta_k|+\lambda_2\beta_k^2)}{2\sigma^2}\} Semplicemente non capisco il modo corretto di aggiungere σ2σ2\sigma^2. Una delle espressioni sopra è corretta?
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.