Domande taggate «time-series»

Le serie temporali sono dati osservati nel tempo (in tempo continuo o in periodi di tempo discreti).

1
IDF incrementale (frequenza inversa dei documenti)
In un'applicazione di mining di testo, un approccio semplice consiste nell'utilizzare l' euristica per creare vettori come rappresentazioni sparse e compatte dei documenti. Questo va bene per l'impostazione batch, in cui l'intero corpus è noto a priori, poiché l' richiede l'intero corpusi d ft f- io dftf−idftf-idfio dfidfidf i d …
1
Prevedere processi a memoria lunga
Sto lavorando con un processo a due stati con in perxtxtx_t{1,−1}{1,−1}\{1, -1\}t=1,2,…t=1,2,…t = 1, 2, \ldots La funzione di autocorrelazione è indicativa di un processo con memoria lunga, ovvero mostra un decadimento della legge di potenza con un esponente <1. È possibile simulare una serie simile in R con: > …
2
Rileva i cambiamenti nelle serie storiche
Mi sono imbattuto in un prototipo di applicazione che trova cambiamenti significativi ("tendenze" - non picchi / valori anomali) nei dati sul traffico: Voglio scrivere un programma (Java, opzionalmente R) in grado di fare lo stesso, ma poiché le mie capacità statistiche sono un po 'arrugginite, ho bisogno di approfondire …
1
R / mgcv: Perché i prodotti tensor te () e ti () producono superfici diverse?
Il mgcvpacchetto per Rha due funzioni per adattare le interazioni del prodotto tensore: te()e ti(). Comprendo la divisione di base del lavoro tra i due (adattamento di un'interazione non lineare rispetto alla scomposizione di questa interazione in effetti principali e un'interazione). Quello che non capisco è perché te(x1, x2)e ti(x1) …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
2
Qual è l'intuizione dietro una rete neurale ricorrente a memoria a breve termine (LSTM)?
L'idea alla base di Recurrent Neural Network (RNN) mi è chiara. Lo capisco nel modo seguente: abbiamo una sequenza di osservazioni ( ) (o, in altre parole, serie temporali multivariate). Ogni singola osservazioneo⃗ 1,o⃗ 2,…,o⃗ no→1,o→2,…,o→n\vec o_1, \vec o_2, \dots, \vec o_no⃗ io→i\vec o_i è un NNN -dimensionale vettore numerico. …
2
Perché la funzione stl offre significative variazioni stagionali con dati casuali
Ho tracciato con il seguente codice con la funzione stl (Decomposizione stagionale di serie storiche di Loess): plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) Mostra significative variazioni stagionali con dati casuali inseriti nel codice sopra (funzione rnorm). Variazioni significative si vedono ogni volta che si esegue, sebbene lo schema sia diverso. Di seguito sono …
2
Perché dovremmo rimuovere la stagionalità da una serie storica?
Mentre lavoriamo con le serie storiche, a volte rileviamo e rimuoviamo la stagionalità usando l'analisi spettrale. Sono un vero principiante nelle serie storiche e sono confuso perché si vorrebbe rimuovere la stagionalità dalle serie storiche originali? La rimozione della stagionalità non distorce i dati originali? Quali vantaggi otteniamo costruendo una …
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.