Domande taggate «optimization»

Usa questo tag per qualsiasi utilizzo dell'ottimizzazione all'interno delle statistiche.

1
Come distribuire in modo ottimale i disegni quando si calcolano più aspettative
Supponiamo di voler calcolare alcune aspettative: EYEX| Y[ f( X, Y) ]EYEX|Y[f(X,Y)]E_YE_{X|Y}[f(X,Y)] Supponiamo di voler approssimare questo usando la simulazione Monte Carlo. EYEX| Y[ f( X, Y) ] ≈ 1R SΣr = 1RΣs = 1Sf( xr , s, yr)EYEX|Y[f(X,Y)]≈1RS∑r=1R∑s=1Sf(xr,s,yr)E_YE_{X|Y}[f(X,Y)] \approx \frac1{RS}\sum_{r=1}^R\sum_{s=1}^Sf(x^{r,s},y^r) Ma supponiamo che è costoso per prelevare dei campioni …
2
Stima dei parametri con modelli lineari generalizzati
Per impostazione predefinita, quando utilizziamo una glmfunzione in R, utilizza il metodo IWLS (reimpostazione dei minimi quadrati ripetutamente iterativamente) per trovare la stima della massima verosimiglianza dei parametri. Ora ho due domande. Le stime IWLS garantiscono il massimo globale della funzione di probabilità? Sulla base dell'ultima diapositiva di questa presentazione, …
2
Come posso stimare gli intervalli di confidenza al 95% usando la profilatura per i parametri stimati massimizzando una funzione di verosimiglianza usando optim in R?
Come posso stimare gli intervalli di confidenza al 95% usando la profilatura per i parametri stimati massimizzando una funzione di verosimiglianza usando optim in R? So di poter stimare asintoticamente la matrice di covarianza invertendo la tela di iuta , ma temo che i miei dati non soddisfino i presupposti …
4
Riferimenti sull'ottimizzazione numerica per gli statistici
Sto cercando un solido riferimento (o riferimenti) su tecniche di ottimizzazione numerica rivolte agli statistici, cioè applicare questi metodi ad alcuni problemi inferenziali standard (ad esempio MAP / MLE in modelli comuni). Cose come discesa gradiente (diritta e stocastica), EM e suoi spinoff / generalizzazioni, ricottura simulata, ecc. Spero che …
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
Ottimizzazione bayesiana per rumore non gaussiano
Una funzione scatola nera f:Rn→Rf:Rn→Rf: \mathbb{R}^n \rightarrow \mathbb{R}, che viene valutato puntualmente in base al rumore gaussiano, ovvero f(x)+N(μ(x),σ(x)2)f(x)+N(μ(x),σ(x)2)f(x) + \mathcal{N}(\mu(x),\sigma(x)^2), può essere ridotto a icona utilizzando l'ottimizzazione bayesiana in cui un processo gaussiano viene utilizzato come modello di funzione rumoroso. Come si può utilizzare l'ottimizzazione bayesiana per funzioni soggette …
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.