_id
stringlengths 1
6
| text
stringlengths 0
7.5k
| title
stringlengths 0
167
|
|---|---|---|
66623
|
خطا در اعتبارسنجی مدل PH کاکس با استفاده از بسته rms در R
|
|
72437
|
فرض کنید من N متد و M معیار دارم. من یک آمار AUC (و برخی آمار مشابه دیگر) برای هر ترکیبی از روش با معیار دارم. اگر یکی از روش ها بهتر از بقیه است، از چه آزمایشی برای آزمایش استفاده کنم؟ من مشاهده کردهام که برخی از نویسندگان با استفاده از آزمون رتبهبندی علامتدار Wilcoxon یکطرفه مقایسههای زوجی انجام میدهند، اما من ترجیح میدهم همه روشها را یکجا آزمایش کنم. در هر صورت من مطمئن نیستم که فرضیات آزمون یک طرفه رتبه امضا شده Wilcoxon درست باشد. اگر میانگین AUC برای هر معیار بسیار متفاوت است، آیا میتوانید بگویید که نمونهها از یک جامعه هستند؟ همچنین مطمئن نیستم که توزیع AUC ها حول میانه متقارن باشد. هر توصیه ای پذیرفته می شود.
|
آزمایش برای رتبه بندی روش ها توسط AUC ها در معیارهای مختلف
|
61398
|
با توجه به سطح اطمینان 95٪، چگونه می توانم نشان دهم که 95٪ فواصل در واقع حاوی میانگین جمعیت هستند؟
|
|
23459
|
من متوجه شدم که پروژه اویلر http://projecteuler.net/ در یادگیری زبان های برنامه نویسی فوق العاده مفید است. آیا سایت مشابهی برای یادگیری ماشین وجود دارد؟ من http://www.kaggle.com/ را دیدم، اما برای مبتدیان به اندازه پروژه اویلر در دسترس نیست.
|
آیا پروژه ای مشابه اویلر برای یادگیری ماشینی وجود دارد؟
|
72436
|
1- GARCH(5,5) **AIC= -50667.51** P-value of Coefficient نشان داده نمی شود 2- GARCH(1,2) **AIC= -36935.9** P-value ضریب محاسبه شده و نشان می دهد 3- GARCH (1،1) **AIC= -50410.11** مقدار P ضریب ## را نشان نمی دهد که کدام یک را انتخاب کنم ? GARCH(5,5) یا GARCH(1,2) یا GARCH(1,1) ـ نکته: GRACH(1,2) مقدار P ضریب /// a2 2.323e-15 not sig **, What do انجام میدم؟؟؟  ## \----------------------- ------------------------------------------------ GARCH (1،2)  * * * 
|
من مدل های GARCH دارم، کدام یک را انتخاب کنم؟
|
72430
|
من با این کد در Openbugs مشکل دارم. مدل از نظر سینتاتیک درست است و داده ها بارگذاری می شوند، اما وقتی من کامپایل می کنم، خروجی نرم افزار تعریف های متعدد گره fn[1] است. من نمی دانم چگونه مشکل را حل کنم. این مدل است: model { for(i در 1:N) { x[i] ~ dgev(n[i],t[i],s[i]) n[i] <- fn[i]+sn [i] t[i] <- ft[i]+st[i] s[i] <- fs[i]+ss[i] for(j در 1:N) { fn[i] <- beta0n+beta1n*lon[i]+beta2n*lat[i] ft[i] <- beta0t+beta1t*lon[i]+beta2t*lat[i] fs[i] <- beta0s sn[i] ~ dmnorm( snmean[],tsn[,]) st[i] ~ dmnorm(snmean[],tst[,]) ss[i] ~ dmnorm(snmean[],tss[,]) tsn[i,j] <- inverse(covn[,]) tst[i,j] <- inverse(covt[,]) tss[i, j]<- معکوس(covs[,]) snmean[i]<-0 covn[i,j] <- alfan*exp(-pow(sqrt(pow(lat[i]-lat[j],2)+pow(lon[i]-lon[j],2))/lambda, 0.5)) covt[i,j ] <- alfat*exp(-pow(sqrt(pow(lat[i]-lat[j],2)+pow(lon[i]-lon[j],2))/lambda, 0.5)) covs[i,j ] <- alfas*exp(-pow(sqrt(pow(lat[i]-lat[j],2)+pow(lon[i]-lon[j],2))/lambda, 0.5)) } } alfan <- 1/alfangamma alfangamma ~ dgamma(1,12) beta0n ~ dnorm(0,50) beta1n ~ dnorm(0,60) beta2n ~ dnorm(0,65) lambda ~ dgamma(5,0.33) alfat <- 1/alfatgamma alfatgamma ~ dgamma(1,1) beta0t ~ dnorm(0,33) ~dnorm(0,33) beta1t 42) beta2t ~ dnorm(0,53) alfas <- 1/alfasgamma alfasgamma ~ dgamma(1,0.04) beta0s ~ dnorm(0,55) } اینها داده ها هستند: فهرست 92.2,72,79.1,128.6,74,96.7,88.8,75.8,122.6,98.6, 75.3,104.5,97.7,89.5,70.9,70.4,68.7,83.4,61.7 92,112.6,100.1,86.9,96.8,87.8,103.7,130,105.5,96.8, 76.3,99.7,125.2,99.8,75.8,75,75.6,77.9,82.4 110.7,106,96,101.4,136,94.9,105.5,91.2,100.1,160.5, 117.4,82.7,106.8,82.8,201.5,97.5,64,94.2,59. lon=c(661130,719070,758530,741785,693810,747735,749840,709325, 657250,659975,735320,701000,6832010,6832010 715450,726370,695350,699790,708077,715095,733140,709480, 700550,676530,737730,703795,720330,76779 686700,676325,707420,646900,692150,684590,665540,687800, 667290,700860,730875,671520,700540,77159 690700,688698,678225,719940,744200,656680,657010,755720, 710800,686310,747861,731250,737700,77315 654100,651280,738680,694760,676900,725245,725430,766485, 680340,677050,746130,699230,6938120,681) lat=c(233825,265660,250325,268332,273070,244475,263150,247050, 228850,267750,262270,285890,263780,248330,283130,251875,227440, 237220,255060,220375,278255,258260,252930,270170,237300,283550, 250830,240680,275760,218325,269310,274350,240570,215325,227220, 267700,289940,226110,209848,290270,235375,272510,219535,257080, 246940,236075,278900,233270,214450,282796,288730,225580,234920, 242110,220940,220430,225520,230590,254586,242140,227600,280130, 267175,250410,259350,240080,241230,245160,246180,221680,268950, 248850,273225,280200,229570,259430,230708,248061,259340)N=79) از همه کسانی که پاسخ می دهند متشکرم. * * * حالا کد من کامپایل نمی شود! من می دانم که مشکل این است که معکوس ماتریس انجام دهیم. چگونه می توانم این مشکل را حل کنم؟ شاید ماتریس خیلی بزرگ است (79*79)؟ آیا روش دیگری برای محاسبه معکوس ماتریس وجود دارد؟ با تشکر
|
تعاریف متعدد از باگ های باز گره
|
72439
|
چرا در تحلیل عاملی برای حفظ عوامل، مقدار ویژه را بیشتر از 1 می گیریم؟ و چگونه می توانیم تصمیم بگیریم که کدام متغیرها به عنوان فاکتور انتخاب شوند؟
|
چرا مقادیر ویژه در تحلیل عاملی بزرگتر از 1 هستند؟
|
23451
|
به عنوان بخشی از یک تکلیف، باید یک الگوریتم برنامهریزی ژنتیک بنویسم که سطوح آلایندههای جوی را پیشبینی میکند. از آنجایی که من هیچ تجربه ای ندارم، آیا کسی می تواند به گزاره هایی از زبان های برنامه نویسی اشاره کند که **برنامه های تکامل یافته در آنها نوشته می شود**. **توضیح:** من نمیپرسم زبانی که خواهد بود خود الگوریتم ژنتیک را بنویسم (چون خودم میتوانم تصمیم بگیرم)، من میپرسم برنامه های تکامل یافته به چه زبان برنامه نویسی باید باشند. ایجاد شده است. مربی من Lisp را پیشنهاد کرد، اما من این ایده را دوست ندارم --- اولاً باید روی نوعی درخت نحو انتزاعی کار کنم، ثانیاً انجام متقاطعهای قابل اعتماد روی ساختار درختی میتواند جهنمی باشد. من ترجیح می دهم از چیزی استفاده کنم که برای برنامه نویسی ژنتیکی مانند اسلش/A اختصاص داده شده باشد. SlashA نیازی به کار بر روی AST ندارد --- برنامههای بایت کد فقط آرایهای از int هستند که میتوان آنها را در هر صورت لازم تغییر داد زیرا هر آرایه int یک برنامه اسلش/A را نشان میدهد. نکات اضافی: * من می خواهم از دستکاری AST ها اجتناب کنم! * این مشکل سخت است (شاید به سختی پیش بینی ارزش سهام نباشد). این به دلیل این واقعیت است که (به احتمال زیاد) ما اطلاعات ورودی کافی نداریم (پارامترهای پنهانی وجود دارد). ایجاد مدلی که عملکرد بهتری داشته باشد مدلی که میانگین بازدهی داشته باشد تا حدودی چالش برانگیز است (مدل های متوسط دارای 35٪ MAPE هستند)، اکثر مدل ها دارای MAPE حدود 25٪ هستند، بهترین ها دارای 20٪ هستند. * من می خواهم زبانی داشته باشم که مجموعه داده ها را با ویژگی های بسیاری با این فرض که مطمئن نیستم مهم هستند مدیریت کند. (اسلش/A در اینجا یک نقطه ضعف دارد --- در این زبان ویژگی های ورودی به ترتیب خوانده می شوند --- بنابراین برخی از ویژگی ها با احتمال بیشتری استفاده خواهند شد). * من میخواهم بتوانم این را در پایتون برنامهریزی کنم، بنابراین libهای پایتون عالی خواهند بود --- اما میتوانم اتصالها را برای C/C++ انجام دهم (بدون جاوا، بدون Matlab و غیره). من آگاهم که این یک سؤال نظرسنجی است، بنابراین اگر برای چنین سؤالی زود است، لطفاً آن را ببندید، اما احساس می کنم به اندازه کافی خاص است.
|
از چه زبانی برای برنامه نویسی ژنتیکی استفاده کنیم
|
11411
|
> **تکراری احتمالی:** > اهمیت همبستگی در R چگونه می توانم اهمیت ضریب همبستگی را آزمایش کنم؟ من دو سری زمانی دارم و می خواهم تست کنم که آیا آنها همبستگی متقاطع هستند یا خیر. آیا باید قبل از محاسبه ccf دو سری را پیش سفیدی کنم یا راه آسانی وجود دارد؟
| |
23454
|
در دهه 1990، توپولوژیهای شبکه مانند حافظه انجمنی دوطرفه و شبکه هاپفیلد همهی خشم بودند. به طور عمده، اینها به عنوان دارای حالت های انرژی و مکرر هستند که به آنها کمک می کند الگوهای خاص را به راحتی یاد بگیرند/ذخیره کنند و به خاطر بیاورند. شاید اکنون این توپولوژی ها کمتر مرتبط باشند، اما من نمی دانم که آیا آنها هنوز هم راه بهینه ای برای نزدیک شدن به داده کاوی هستند؟ به نظر می رسد آنها برای مواردی مانند تجزیه و تحلیل زمینه ای در NLP، با شبکه ای که برای مشاهده آنچه قبلاً دیده آموزش دیده است، مناسب هستند. آیا این توپولوژی ها دوباره وارد خواهند شد یا با گزینه هایی با نرخ دقت بهتر جایگزین شده اند؟
|
آیا شبکه های انجمنی هنوز برای کاربردهای داده کاوی مناسب هستند؟
|
76950
|
بنابراین در چارچوب بیزی از داده های مشاهده شده $X=\\{x_1,...x_n\\}$ برای به روز رسانی $p(\theta)$ قبلی استفاده می شود. سوال من آیا این توجیه دارد که بگوییم $p(\theta|x_1,...,x_n)$ مربوط به خود یک متغیر تصادفی جدید است؟
|
توزیع پسین به عنوان توزیعی برای یک متغیر تصادفی جدید؟
|
76958
|
من سعی می کنم دو متغیر را مستقیماً اندازه گیری کنم، $A$ و $B$، و همچنین تفاوت آنها را اندازه گیری کنم. هر یک از این اندازه گیری ها درجه ای از عدم قطعیت دارند. یعنی فرض کنید که اندازه گیری های $A,B$ و $C$ $\\{a_1,a_2,a_3,...,a_n\\}$, $\\{b_1,b_2,b_3,.. باشد. .,b_n\\}$ و $\\{c_1,c_2,c_3,...,c_n\\}$ به ترتیب. علاوه بر این، منطقی است که فرض کنیم اندازهگیریها همه از توزیع نرمال $N(x_a,\sigma_a^2)$,$N(x_b,\sigma_b^2)$ و $N(x_c,\sigma_c^2)$ پیروی میکنند، اگر این لازم باشد به خصوص در موردی که $x_a - x_b \neq x_c$، چگونه از این اطلاعات برای یافتن بهترین تخمین A، B و C استفاده کنم؟
|
محتمل ترین مقادیر را برای دو متغیر با توجه به توزیع احتمال تفاوت آنها تعیین کنید
|
23456
|
چند رویکرد برای طبقه بندی داده ها با تعداد متغیر ویژگی ها چیست؟ به عنوان مثال، مسئله ای را در نظر بگیرید که در آن هر نقطه داده بردار نقاط x و y است، و ما تعداد نقاط یکسانی برای هر نمونه نداریم. آیا می توانیم هر جفت نقطه x و y را به عنوان یک ویژگی در نظر بگیریم؟ یا باید فقط نقاط را به نحوی خلاصه کنیم تا هر نقطه داده دارای تعداد مشخصی از ویژگی ها باشد؟
|
برخورد با مجموعه داده ها با تعداد متغیری از ویژگی ها
|
76959
|
من برخی از داده ها را با استفاده از لوس صاف می کنم. من می خواهم نقاط عطف خط هموار را پیدا کنم. آیا این امکان پذیر است؟ مطمئنم یکی روش فانتزی برای حل این مشکل درست کرده...یعنی...بالاخره R هست! من با تغییر عملکرد صاف کننده ای که استفاده می کنم خوب هستم. من فقط از لوس استفاده کردم زیرا این همان چیزی است که در گذشته استفاده کرده ام. اما هر عملکرد صاف کننده خوب است. من متوجه هستم که نقاط عطف به عملکرد هموارسازی که استفاده می کنم بستگی دارد. من با آن مشکلی ندارم. من میخواهم با داشتن هر عملکرد صافکنندهای شروع کنم که میتواند به شناسایی نقاط عطف کمک کند. کدی که من استفاده می کنم این است: x = seq(1,15) y = c(4,5,6,5,5,6,7,8,7,7,6,6,7,8,9) plot( x,y,type=l,ylim=c(3,10)) lo <- loess(y~x) xl <- seq(min(x),max(x), (max(x) - min(x))/1000) out = predict(lo,xl) lines(xl, out, col='red', lwd=2) 
|
یافتن نقاط عطف در R از داده های هموار
|
76952
|
من بیش از 150 لیست از محصولات دارم که با روش رگرسیون بر اساس سال ها تجزیه و تحلیل خواهند شد. به عنوان مثال: محصولات: `A,B,C ... N` (150مین محصول) سپس رگرسیون A بر اساس ماه سالها: A(Jan, Feb, March, April... Dec) B(Jan, Feb, March ، آوریل... دسامبر) و غیره... آیا روش یا فرمولی برای اجرای این پردازش دسته ای در SPSS وجود دارد، اگر چند ماکرو وجود دارد، از کجا شروع کنم؟
|
روش پردازش دسته ای SPSS
|
92104
|
به نظر می رسد که احتمالات کرنلب بسته R با تصمیم مطابقت ندارند
|
|
109043
|
من از کلمه confusable برای نشان دادن گلیف های مشابه در متن استفاده می کنم. من در حال ساختن یک ابزار تشخیص کاراکتر نوری با هدف اصلی آزمایش یادگیری ماشین هستم – به ویژه شبکه های عصبی، که قبلاً در مورد آن اطلاعات دارم. یک مسئله وجود دارد که من نمی توانم به آن فکر کنم: نمایندگی موارد گیج کننده. به عنوان مثال، «I» (بزرگ I) و «l» (L کوچک) در فونتهای sans-serif یکسان به نظر میرسند. اگر آن را به محدوده کامل یونیکد گسترش دهید، تعداد زیادی گلیف وجود دارد که کم و بیش یکسان به نظر می رسند. اگر من از یادگیری نظارت شده سادهلوحانه استفاده میکنم، میترسم الگوریتم آموزشی به دلیل این موارد گیجکننده مؤثر نباشد. شاید من به یادگیری بدون نظارت نیاز دارم. من میتوانم از پیشآموزش روی RBM یا رمزگذارهای خودکار پشتهای استفاده کنم، اما مطمئن نیستم که بتوانید فرض کنید همه موارد گیجشونده در فضای خروجی نزدیک هستند. آنها ممکن است. وظیفه شناسایی این مناطق و ارائه یک نمایش خوب همچنان باقی است. من اساساً به دنبال یک مدل خوب برای خوشهبندی موارد گیجکننده هستم، که بتوانم از آن برای ایجاد یک مدل یادگیری تحت نظارت بهبودیافته استفاده کنم. من انتظار دارم که برخی از تجزیه و تحلیل های پس از خروجی طبقه بندی کننده را انجام دهم تا هر یک از کاراکترهای گیج کننده را به یک کاراکتر یونیکد واقعی حل کنیم.
|
مدل های یادگیری ماشینی خوب برای دسته های گیج کننده
|
51088
|
توزیع مناسبی برای توصیف ساختار سنی یک جمعیت چیست؟ به عنوان مثال، اگر من بخواهم احتمال این را بدانم که عضوی از یک جامعه کمتر یا مساوی 20 است. چگونه می توانم این را پارامتر کنم با توجه به اینکه میانگین و شاید انحراف معیار یک نمونه را می دانم؟
| |
109047
|
من دو گروه از داده های گسسته (اعداد صحیح) دارم: گروه 1 گروه 2 101 103 105 200 115 150 98 160 100 115 ... ... و باید بدانم که تفاوت قابل توجهی دارند یا خیر. برای این نوع تستها میدانم تستهای مفیدی مانند t-test یا تست Wilcoxon وجود دارد. با این حال، به من گفته شد که این نوع آزمایشهای آماری برای دادههای پیوسته هستند (نه مورد من). سپس، من از تست Chi-squared استفاده کردم. با این حال، مفروضات برآورده نمی شوند زیرا تعداد زیادی سلول با 0 وجود دارد. حتی با ترکیب دادههایم در سطلها (مثلاً 1-19، 20-39، و غیره)، سلولهای زیادی با 0ها دارم. R در این مورد این هشدار را می دهد: تقریب Chi-squared ممکن است نادرست باشد، من می دانم که «شبیه سازی مونتکارلو» نیز وجود دارد. با این حال، این فقط یک شبیهسازی است و همیشه همان p-value، دقیقاً همان p-value را برای همه مجموعه دادههای مختلف من برای مقایسه میدهد. من این ایده را دوست ندارم. آزمایش فیشر به دلیل اندازه مجموعه داده های من عملا غیرممکن است. اگر دادههای خود را در سطلهای 1000 تایی، کاملاً وسیع گروهبندی کنم، میتوان از تست فیشر استفاده کرد. با این حال، من هم این ایده را دوست ندارم. به طور خلاصه، آیا می دانید چگونه می توانم با داده های خود برخورد کنم؟ **یادداشت**: * داده های من جفت نشده اند. * گروه 1 حدود 30000 مشاهده دارد در حالی که گروه 2 به سختی بیش از 4000 مشاهده دارد. * داده های بسیار ناهنجار. مثال با دو مجموعه داده من: 
|
دو گروه تفاوت قابل توجهی دارند؟ تست برای استفاده
|
110594
|
انجمن قانون معدن
|
|
76954
|
آیا رابطه خطی بین متغیر وابسته و متغیر مستقل شرط لازم نیست؟ پس چرا مدل های نیمه لاگ و متقابل با این نوع فرض مطابقت دارند؟
|
چرا برخی از مدلهای غیر خطی را میتوان با مفروضات گاوس مارکوف تطبیق داد؟
|
76956
|
من از libSVM برای آموزش یک جفت طبقهبندیکننده استفاده میکنم که هر کدام از یک «نما» یا مجموعه ویژگیهای مستقل استفاده میکنند که از همان مجموعه داده استخراج شده است، یعنی آموزش مشترک. به عنوان بخشی از روش همآموزشی، من از بخشی از برچسبهای موجود برای آموزش هر طبقهبندی کننده RBF SVM استفاده میکنم، سپس از آن میخواهم برچسبها و پسینهای مجموعه بدون برچسب را پیشبینی کند. مطمئن ترین نتایج دوباره به مجموعه آموزشی اضافه می شود. در مورد اولیه، من با بخش بزرگی از برچسب های آموزشی از قبل شناخته شده و ویژگی های مصنوعی شروع می کنم. در این مورد، عملکرد تست هر تکرار خوب است (~100%)، و برچسبهای انتخاب شده برای گنجاندن در مجموعه برچسبها معمولاً همه صحیح هستند (یعنی مطابقت با حقیقت زمین). در حدود چهلمین تکرار، ما شروع به مشاهده نویز کمی در برچسب های انتخاب شده می کنیم (یعنی از 5 برچسب انتخاب شده، 2 یا 3 برچسب ممکن است اشتباه برچسب گذاری شده باشند). این مقدار کم نویز باعث میشود که طبقهبندیکننده بهسرعت از بین برود و در تکرار بعدی آموزش، طبقهبندیکنندهای دریافت میکنم که فقط کلاس 1 را پیشبینی میکند، بنابراین میانگین دقت بین pos واقعی و neg واقعی == 0.5 است و بنابراین خوب نیست. من فرض میکنم که جستجوی خط نمیتواند همگرا شود، بنابراین مقادیر مختلف اپسیلون را امتحان کردهایم، اکتشافات کوچکشدن را خاموش کردهایم و تنظیمات مختلف پارامتر شل را خاموش کردهایم. اطلاعات متا: من از هسته های سفارشی استفاده می کنم و هسته RBF خود را قبل از ارسال به libSVM در حافظه پنهان ذخیره می کنم. من به هیچ وجه هسته را تغییر نمیدهم، علاوه بر مشخص کردن شاخصهای متفاوت بین اجراها. من نسخه libSVM خود را هک کردم تا تابع هدف را به من ارائه دهد، اما مطمئن هستم که این منجر به باگ در کد نشده است. من مطمئن نیستم (اگر کاری) در مرحله بعدی برای عیب یابی یا رفع مشکل چه کاری انجام دهم و مطمئن نیستم علاوه بر عدم همگرایی در راه حل بهینه چه چیزی اشتباه است (با فرض اینکه هنوز وجود دارد). ویرایش: این در واقع اتفاق افتاده است در حالی که همه برچسب ها درست هستند. طبقه بندی کننده و ویژگی های مشابه
|
LibSVM: چند برچسب پر سر و صدا باعث می شود طبقه بندی خوب بد شود. چه بلایی سرش می آید؟
|
26354
|
داده ها را بوت استرپ کنید تا تخمینی از واریانس بدست آورید
|
|
73525
|
من از rpart برای مدلهای درخت تصمیم استفاده میکنم و اگر مجموعه داده من دارای ستونهایی با **بیش از ۲۵ عامل/سطح** باشد، rpart گیر میکند و به طور نامحدود اجرا میشود. بنابراین من فقط می خواستم بدانم که آیا این محدودیت شناخته شده ای وجود دارد یا راهی برای انجام این کار وجود دارد. من از طریق http://cran.r-project.org/web/packages/rpart/rpart.pdf رفتم اما واقعاً چیزی پیدا نکردم P.S. من همچنین تابع ctree (بسته حزب) را امتحان کردم و حتی با 50 حالت ورودی نیز خوب کار می کند، اما من به طور خاص می خواهم از rpart استفاده کنم
|
حداکثر حالت های ورودی rpart
|
76955
|
در خط مونتاژ 20 ایستگاه، هر ایستگاه 0.5 درصد احتمال نقص دارد. در انتهای خط مونتاژ، کنترل کیفیت 80٪ از نقص ها را تشخیص می دهد. آنها برای دوباره کاری فرستاده خواهند شد. 95٪ از دوباره کاری را می توان ثابت کرد. همه چیز تا آن زمان ارسال خواهد شد. * احتمال اینکه یک محصول به کار مجدد برود چقدر است؟ * احتمال ارسال محصول معیوب چقدر است؟ لطفا به من نشان دهید که چگونه این را محاسبه کنم. من گیج شده ام.
|
روشن شدن احتمال
|
100193
|
من می خواهم انتخاب ویژگی را بر اساس به دست آوردن اطلاعات اعمال کنم: من ویژگی های زیادی دارم که بسیاری از آنها اضافی هستند. من قصد دارم یک ویژگی را انتخاب کنم و سپس به طور مکرر ویژگی هایی را اضافه کنم که اطلاعات بیشتری را اضافه کنند. آیا مقاله مرتبطی وجود دارد که برای آشنایی با چنین روش هایی بخوانم؟
|
انتخاب ویژگی بر اساس مقالات به دست آوردن اطلاعات
|
92667
|
من تازه وارد داده کاوی هستم و در حال حاضر روی یک مقاله خبری آنلاین از TOI در RapidMiner کار می کنم. هدف من به دست آوردن نتایجی است که مهمترین موارد ذکر شده در مقاله را نشان دهد یا اطلاعات ارزشمندی را که در آن پنهان شده است پیدا کنم. من با پردازش اسناد در مقاله مانیفست TOI تمام شده ام http://timesofindia.indiatimes.com/home/specials/lok-sabha- selections-2014/news/TOI-manifesto-An-agenda-for-the-new - government/articleshow/31973967.cms. من توکنیزه کردن، فیلتر کردن و ngrams را اعمال کردم و نتیجه گرفتم. من اینجا گیر کردم من نمی دانم چگونه ادامه دهم. از کدام تکنیک/الگوریتم باید در RapidMiner استفاده کنم تا نتایج مورد نیاز را به دست بیاورم؟ لطفا جزئیات بدهید، واقعاً به کمک نیاز دارید.
|
متن کاوی یک سند متنی واحد در RapidMiner
|
73522
|
من سعی میکنم مطمئن شوم که درک من از مشاهدات iid قوی است و بنابراین دو نوشته دارم که در آنها سعی کردهام مفهوم را به طور دقیق توضیح دهم. آیا کسی می تواند در مورد صحت هر یک از این نوشته ها نظر دهد؟ (1) یک راه برای نشان دادن یک جمعیت از طریق یک متغیر تصادفی X است که دارای یک pdf/pmf است که فرکانس های نسبی مقادیر را با جمعیت مدل می کند. اگر بخواهید از جامعه نمونه برداری کنید که احتمال انتخاب هر موضوع به یک اندازه باشد و انتخاب یک موضوع خاص تأثیری بر احتمال انتخاب هر موضوع دیگری نداشته باشد، آنگاه هر مشاهده را می توان به عنوان تحقق بخشیدن به موضوع در نظر گرفت. متغیر تصادفی X. به این ترتیب، مشاهدات x_i را نشان میدهیم. تحت این شرایط، مشاهدات را میتوان بهعنوان برداشتهای مستقل از متغیر تصادفی X در نظر گرفت، و بنابراین، مشاهدات را iid (مستقل و بهطور یکسان توزیع شده) میتوان در نظر گرفت – یعنی مشاهدات را میتوان به عنوان n تحقق متغیر تصادفی X در نظر گرفت. یا (2) یک راه برای نشان دادن یک جمعیت از طریق یک متغیر تصادفی X است که دارای یک pdf/pmf است که فرکانس های نسبی مقادیر را مدل می کند. در داخل جمعیت اگر بخواهید از جامعه نمونه برداری کنید که احتمال انتخاب هر موضوع به یک اندازه باشد و انتخاب یک موضوع خاص تأثیری بر احتمال انتخاب هر موضوع دیگری نداشته باشد، آنگاه هر مشاهده را می توان به عنوان تحقق بخشیدن به موضوع در نظر گرفت. متغیر تصادفی X. به این ترتیب، مشاهدات x_i را نشان میدهیم. تحت این شرایط، مشاهدات را میتوان بهعنوان برداشتهای مستقل از متغیرهای تصادفی توزیعشده یکسان، X_1،…، X_n در نظر گرفت، که در آن x_i تحقق متغیر تصادفی X_i برای همه i است. از این رو، مشاهدات به صورت iid (به طور مستقل و یکسان توزیع شده) گفته می شود. به طور خاص، چند بخش وجود دارد که می خواهم در مورد آنها پاسخ بگیرم. * آیا می توان گزاره چنین که احتمال انتخاب هر موضوع به یک اندازه و به طوری که در جمله دوم هر نوشته حذف شود بدون اینکه بر صحت عبارت تأثیر بگذارد؟ * آیا هر دوی این روش ها در مورد قرعه کشی iid درست است؟ * اگر هر دو گزاره صحیح باشند، آیا این متعارف است که ترسیمها را بهعنوان تحققهایی از یک RV یا هر مشاهده بهعنوان تحقق از RVهای جداگانه اما یکسان تفسیر کنیم؟
|
چگونه در مورد مشاهدات iid فکر کنیم
|
73526
|
من روی تقویت طبقه بندی کار می کنم. من قصد دارم از svm خطی به عنوان طبقه بندی کننده ضعیف استفاده کنم. من از liblinear برای آن استفاده می کنم. سوال من این است که چگونه می توانم هر نمونه از liblinear را بر اساس وزن های تقویت کننده وزن کنم؟
|
تقویت با svm خطی
|
92656
|
من با اثبات اینکه مقدار مورد انتظار $x_i$ $ \bar{X} $ است کمی مشکل دارم. چیزی که من دارم $E[x_i]=\sum_{j=1}^{N}X_j Pr(x_i=X_j) $ است سپس، $Pr(x_i=X_j) = 1/N $ این بیتی است که میتوانم. درک کنید، این احتمال چگونه به آن مقدار ارزیابی می شود. من می دانم که مخرج این است که از چند راه می توانید n را از N انتخاب کنید. اما به نظر می رسد من یک n اضافی دارم. هر توصیه ای؟
|
با اثبات اینکه مقدار مورد انتظار $x_i$ $\bar{X}$ است کمک کنید
|
26350
|
**زمینه:** من یک مجموعه داده دارم که شامل اندازه گیری سطح آب در طول زمان در مکان های مختلف است. با این حال، مکان ها در سال های مختلف به طور نامنظم اندازه گیری می شوند. بنابراین داده های من از شکاف های بیشتری نسبت به داده های واقعی تشکیل شده است. علاوه بر این، برخی از دادههای من تودرتو هستند. این بدان معناست که برخی از اندازهگیریهای من را میتوان تحت اندازهگیری دیگری دستهبندی کرد، در حالی که برخی دیگر نه. ** چگونه می توانم به بهترین وجه آزمایش کنم که آیا تفاوتی بین سطح آب مکان های مختلف با توجه به این ویژگی های داده ها وجود دارد؟**
| |
111465
|
ایجاد متغیرهای هذلولی
|
|
111462
|
تابع از دست دادن وظیفه چیست؟
|
|
92668
|
من می خواهم در مورد تعامل در LMM با استفاده از lmer بیشتر بدانم. آیا می توانید کتاب، مقاله، وب سایتی را به من معرفی کنید؟
|
منبع خوبی برای درک تعامل در LMM؟
|
73528
|
تاپیک بالا رو سرچ کردم ولی جوابی نداشتم. لطفاً کسی می تواند تفاوت دقیق بین توزیع گاوسی چند متغیره و توزیع کوشی چند متغیره را به من بگوید؟ تفاوت آنها در نمونه گیری الگوریتم تخمین توزیع برای بهینه سازی است.
|
تفاوت بین توزیع گاوسی و توزیع کوشی
|
73529
|
من یک مدل لاجیت با استفاده از GLM ایجاد کرده ام و می خواهم شیب متغیرهای مستقل را بدست بیاورم. خواندهام که با استفاده از «coef()» در R میتوان این کار را انجام داد، اما تنها چیزی که در اختیار دارم ضرایبی است که قبلاً با استفاده از «summary()» دارم. من سعی میکنم شیب را به طور متوسط بدست بیاورم، مانند چیزی که هنگام استفاده از Gretl داده میشود.
|
چگونه می توان شیب مدل لاجیت GLM را پیدا کرد؟
|
74550
|
دادههای من انتخابهای بازدیدکنندگان یک پارک جنگلی را در بین مناطق مختلف آن توصیف میکند. داده ها دارای هر دو متغیر هستند که منطقه و افراد مختلف را توصیف می کنند، و در قالب طولانی هستند (من نتوانستم داده ها را در قالب گسترده وارد کنم). در اینجا بخشی از آن است: انتخاب pId zoneID perShaded Avg_picnicDist Avg_searchDist Avg_roadDist میانگین_تراکم میانگین_شیب میانگین_جنبه تعدادجدولها بدون_بازدید پارکها_بازدیدها منطقه_ دین 1.1 K10 1 نادرست 0.637419265 47.68274 184.460488 4.647293 241.01953 2 2 2 2 6 1 1.2 K10 2 FALSE 0.518358 46.99878 699.8933 213518.213518. 267.68265 299255 8 2 6 1 1.4 K10 4 FALSE 0.000008 118.35318 1933.9713 209.80435 88.661727 8.427688 239.75810 2 2 2 2 2 251 KALSE 0.480388 85.79740 860.6304 162.50307 184.787958 9.016304 174.94392 3 2 2 2 6 1 1.6 K10 6 FALSE 0.3698 0.3694 73.73866 652.461340 6.966383 270.83758 1 2 2 2 6 1 1.7 K10 7 FALSE 0.247667 88.19777 447.9074 50.3721 6.661059 128.33136 0 2 2 2 6 1 1.8 K10 8 FALSE 0.138269 236.60154 891.2010 315.48513 141.750924 5.00924 2010 2 6 1 1.9 K10 9 نادرست 0.327164 152.13491 1187.2389 196.26516 246.658501 7.262928 249.06325 1 2 11 2 1010 KALSE F. 0.605936 127.08910 1934.2726 244.03761 101.317788 7.222477 263.82949 1 2 2 2 6 1 1.11 K10 13 FALSE 1322547. 2010.6362 741.54838 50.244833 7.218908 264.98949 1 2 2 2 6 1 1.12 K10 12 FALSE 0.494176 115.57825820541. 194.244219 6.649306 236.02466 1 2 2 2 6 1 1.13 K10 13 FALSE 0.136447 269.81593 3276.1774 972.7006414 972.700641 193.13001 2 2 2 2 6 1 1.14 K10 14 TRUE 0.337722 232.84797 2884.2213 950.00891 44.063617 7.101029 2010.1029 7.101029 2821 1.15 K10 15 FALSE 0.303521 110.34073 3785.6749 1501.10647 17.479083 9.837794 109.91601 5 2 2 2 216 116 K110. 271.45326 4299.1473 2010.62657 4.260328 6.756867 140.85512 0 2 2 2 6 1 1.17 K10 17 FALSE 0.31534146 4014 1871.80162 4.995194 7.776252 69.51587 0 2 2 2 6 1 1.18 K10 18 FALSE 0.000000 832.24798 5472.15214 3138.1534 6.171129 123.73959 0 2 2 2 6 1 1.19 K10 19 FALSE 0.377565 1832.27872 6639.4049 4163.90939 0.000000000 0.000000000. 2 2 6 1 1.20 K10 20 FALSE 0.768519 240.50203 1317.7622 984.45432 55.064831 6.189258 235.94524 1 21211 KF 0.457788 370.39337 1638.3757 1186.05062 23.498703 7.899760 240.19327 1 2 2 2 6 1 1.22 K10 22 FALSE 4854700. 3024.9163 1906.07303 4.894370 9.386472 204.43018 0 2 2 2 6 1 1.23 K10 23 FALSE 0.402916 810.55153439823 0.000000 7.234100 221.55110 0 2 2 2 6 1 1.24 K10 24 FALSE 0.000000 466.83673 4156.6922 1901.710676231. 221.62408 0 2 2 2 6 1 1.25 K10 25 FALSE 0.209725 621.64548 3936.0332 2509.64374 0.669637 8.861591 8.861591 8.861591 209725 1.26 K10 26 FALSE 0.173588 525.66404 4284.6076 1965.34834 2.222979 7.723666 168.04920 0 2 2 2 2 6 1130 2 2 2 6 K1131. 331.13870 4460.3144 2175.40860 0.000000 5.132271 234.74961
|
مشکلات تکینگی Mlogit در R هنگام استفاده از متغیرهای جایگزین و فردی
|
6127
|
من دادههایی از آزمایشی دارم که با استفاده از آزمون t تجزیه و تحلیل کردم. متغیر وابسته مقیاس بندی فاصله ای است و داده ها یا جفت نشده (یعنی 2 گروه) یا جفت (یعنی درون موضوعی) هستند. به عنوان مثال (در درون موضوعات): x1 <- c(99، 99.5، 65، 100، 99، 99.5، 99، 99.5، 99.5، 57، 100، 99.5، 99.5، 99، 99، 99.5، 190.5، 190.5) y1 <- c(99، 99.5، 99.5، 0، 50، 100، 99.5، 99.5، 0، 99.5، 99.5، 90، 80، 0، 99، 0، 74.5، 0، 100، 49 داده ها هستند. عادی نیست، بنابراین یک بازبین از ما خواست که از چیزی غیر از آن استفاده کنیم آزمون t با این حال، همانطور که می توان به راحتی مشاهده کرد، داده ها نه تنها به طور معمول توزیع نمی شوند، بلکه توزیع ها بین شرایط برابر نیستند:  بنابراین، آزمونهای ناپارامتریک معمول، آزمون Mann-Whitney-U-Test (جفت نشده) و تست Wilcoxon (جفت شده) را نمیتوان استفاده کرد زیرا به توزیع مساوی بین شرایط نیاز دارند. از این رو، من تصمیم گرفتم که نمونه برداری مجدد یا آزمایش جایگشت بهترین باشد. **اکنون، من به دنبال یک پیاده سازی R از معادل مبتنی بر جایگشت آزمون t، یا هر توصیه دیگری در مورد اینکه با داده ها چه کار کنم هستم. ** می دانم که برخی از بسته های R وجود دارند که می توانند این کار را انجام دهند. برای من (به عنوان مثال، سکه، پرم، exactRankTest، و غیره)، اما من نمی دانم کدام را انتخاب کنم. بنابراین، اگر کسی با تجربه ای در استفاده از این تست ها بتواند به من یک راه حل بدهد، خیلی جالب خواهد بود. **به روز رسانی:** اگر بتوانید نمونه ای از نحوه گزارش نتایج این آزمون را ارائه دهید ایده آل خواهد بود.
|
کدام اجرای تست جایگشت در R را به جای آزمون های t (جفتی و غیر زوجی) استفاده کنیم؟
|
74556
|
من می خواهم سیستم توصیه خود را بهبود بخشم. تصور کنید که من دادههای آموزشی نمونههای M=7,000,000$ را دارم. هر نمونه آموزشی شامل تعداد متغیری از کلمات در بدنه، و مقدار متغیری از برچسبهای اختصاص داده شده به مورد است. تقریباً 100 میلیون کلمه منحصر به فرد و تقریباً 40000 برچسب منحصر به فرد وجود دارد. هدف این است که با توجه به مجموعه ای از کلمات، برچسب(ها) را در زمانی که برچسب ها مشاهده نمی شوند، به درستی طبقه بندی کنیم. شهود به من می گوید که به سادگی احتمال هر کلمه را محاسبه کنم، و سپس از احتمال شرطی برای هر برچسب با توجه به مجموعه کلمات برای یک برچسب استفاده کنم. دقیق تر: تصور کنید یک مورد دارای 5 کلمه منحصر به فرد است. هر کلمه یک $P(W_i)$ خواهد داشت. این یک مقدار ثابت برای مجموعه آموزشی است و می تواند در حافظه ذخیره شود. احتمال T_1$ با توجه به $P(W_1، W_2...W_5)$، به سادگی تعداد رخدادها در تقاطع T_1$ برای هر کلمه تقسیم بر $M$ است. چرا Naive Bayes استفاده از (طبق قانون بیز) $\frac{P(W_1..W_5|T_1) * P(T_1)}{P(W_1...W_5)}$ را پیشنهاد می کند وقتی $P(T_1|W_1 ...W_5)$ به نظر می رسد راحت تر به دست آید، و شهودی تر *؟ * _احتمال یک برچسب با ترکیبی از کلمات چقدر است؟ به نظر می رسد دقیقاً همان چیزی است که ما می خواهیم بدانیم.
|
چرا Bayes در Naive Bayes در مقایسه با P(class|ویژگی های ساده) حکومت می کند.
|
110331
|
من سعی می کنم با استفاده از R یک تحلیل چند متغیره انجام دهم و از آنجایی که یک مجموعه داده اکولوژیکی فقط از داده های طبقه بندی دارم، آیا امکان استفاده از PERMANOVA در این نوع مجموعه داده وجود دارد؟ با تشکر
| |
95638
|
>  من از یک مدل پذیرش فناوری توسعه یافته استفاده می کنم و ابزاری را از یک مقاله تحقیقاتی اتخاذ کرده ام. پس از انجام تحلیل عاملی در SPSS، اکثر سوالات مربوط به سازه های مختلف (نگرش، سودمندی درک شده و...) در یک عامل نشان داده می شوند. متغیرهای نگرش، سهولت درک شده، مفید بودن درک شده و نوآوری متفاوت هستند، اما اگر پاسخ دهنده با اظهارات من برای مفید بودن درک شده با کاملاً موافق موافقت کند، احتمالاً برای اظهارات نیز پاسخ خواهد داد. مربوط به نگرش با «کاملاً موافقم» زیرا بین همه این متغیرها تأثیر مثبت (از لحاظ نظری و بر اساس بررسیهای روشن) وجود دارد. در مدل اگر پاسخ دهندگان به همه چیز «کاملاً موافقم» یا «موافقم» پاسخ دهند، چه کاری باید انجام دهم؟ از نظر فنی درست است، اما چگونه می توانم نتایج تحلیل عاملی خود را به درستی دریافت کنم؟ به استثنای متغیر وابسته («قصد رفتاری») باید 4 عامل ایجاد کند. پس از آن باید آموس را (طبق دستور سرپرستم) برای تجزیه و تحلیل یاد بگیرم. من در عبارات آسان به راهنمایی نیاز دارم. من در SPSS خوب نیستم و با Amos آشنا نیستم.
|
مسئله تحلیل عاملی در مدل معادلات ساختاری
|
74555
|
بسیار خوب، بنابراین من با R جدید هستم و تصور می کنم کاری که می خواهم انجام دهم باید بسیار ساده باشد. من می خواهم از plot(x,y) استفاده کنم، اما سپس منحنی lm(y~x^2) را روی نمودار اضافه کنم. من مطمئن هستم که می توانم جزئیات بیشتری را در این مورد اضافه کنم، اما مطمئن نیستم که چه چیزی لازم است، بنابراین برای پاسخ به هر سؤالی که ممکن است همه شما داشته باشید، هوشیار خواهم بود. من از هر کمکی که می توانم دریافت کنم قدردانی می کنم!
|
سوال مبتدیان در مورد پلاتینگ در R
|
100198
|
به عنوان مثال در این مجموعه داده داده شده، من می خواهم بهترین مقادیر هر متغیر را به دست بیاورم که مقدار از پیش تعیین شده درصد را به دست می دهد: برای مثال من نیاز دارم که مقدار درصد >=0.7 باشد، بنابراین در این در مورد نتیجه باید چیزی شبیه این باشد: `پرندگان >=5, 2 =< گرگ , 2<=مار <=4` dat <- read.table(text = birds wolfs snakes درصد 3 8 7 0.50 1 2 3 0.33 5 1 1 0.66 6 3 2 0.80 5 2 4 0.74,header = TRUE) من نمی توانم از درخت های تصمیم استفاده کنم زیرا فریم داده بزرگی دارم و نمی توانم همه را ببینم درخت به درستی من بسته قوانین را امتحان کردم، اما لازم بود که همه متغیرها فاکتور باشند و مجموعه داده های ترکیبی از متغیرهای عامل، منطقی و پیوسته را دارم. همچنین به متغیر درصد نیاز دارم تا تنها متغیری باشد که می خواهم بهینه کنم. کد من اینجاست: library(arules) dat$birds<-as.factor(dat$birds) dat$wolfs<-as.factor(dat$wolfs) dat$snakes<-as.factor(dat$snakes) dat$ درصد<-as.factor(dat$percentage) قوانین<-apriori(dat، پارامتر = لیست(minlen=2، supp=0.005, conf=0.8)) rules.sorted <- sort(rules, by=lift) inspect(rules.sorted) متشکرم
|
آیا بسته ای وجود دارد که بتوانم از آن برای بدست آوردن قوانینی برای نتیجه هدف در R استفاده کنم؟
|
6122
|
من تقریبا دو تا سوال دارم من به یک رگرسیون لجستیک کمکی (LR) برای هر یک از متغیرهایم نیاز دارم. آیا باید این کار را به صورت دستی در SPSS انجام دهم و هر متغیر را انتخاب کنم و رگرسیون لجستیک انجام دهم؟ آیا یک چرخه برای هر برای انجام آن وجود دارد؟ من باید به زبان R سوئیچ کنم تا آنچه را که می خواهم داشته باشم. در چند متغیره (چند متغیره) LR، آیا می توانم مقادیر گم شده ای داشته باشم؟ ممنون!!
|
رگرسیون لجستیک ساده و چندگانه
|
96624
|
من با یک مجموعه داده اشاره کار می کنم، که در آن هر ژست دارای تعداد متغیر فریم است، و هر فریم دارای موقعیت 3 بعدی 20 مفصل است، به طوری که هر ژست با ماتریسی با اندازه فریم x 60 نشان داده می شود. می دانم که برخی از مفاصل زائد هستند، زیرا برای مثال دانستن موقعیت هر دو شانه تا حد زیادی موقعیت قفسه سینه را تعیین می کند و بالعکس، حداقل برای ژست های حرکات بدن من. مجموعه داده با اجرای PCA روی ماتریس تمام حرکاتی که به صورت افقی روی هم چیده شده اند، دریافتم که تنها با 30 بعد می توانم 99 درصد واریانس را حفظ کنم، اما البته این در فضای بردارهای ویژه است. چگونه می توانم زیرمجموعه ای از اتصالات (به طور معادل، ویژگی ها) را انتخاب کنم و ثابت کنم که بقیه زائد هستند، به نوعی PCA؟ ساده ترین چیزی که می توانستم به آن فکر کنم این بود که چند اتصال را انتخاب کنم، از آنها به عنوان پایه استفاده کنم، فریم ها را بر روی فضایی که ایجاد می کنند، بتابانم، و از نتیجه به عنوان ویژگی استفاده کنم، اما الف) آزمایش های طبقه بندی که من با آن انجام دادم خوب از آب درنیامد. و ب) من هیچ راهی برای توجیه رسمی حذف ویژگی ها/مفاصل با آن رویکرد ندارم.
|
انتخاب ویژگیها به صورت دستی و اثبات بقیه موارد اضافی هستند
|
77602
|
من یک مجموعه داده SPSS با بیش از 700 پاسخ دهنده و 13 محصول دارم که آنها می توانند داشته باشند. هر محصول متغیر خود را دارد Product01 = 1 به این معنی است که آنها محصول 1 Product02 = 0 به این معنی است که آنها محصول 2 و غیره را ندارند *ویرایش برای وضوح: به عنوان مثال، این به معنای شمارش است: چه تعداد از پاسخ دهندگان محصول 1، 2، 3 و هیچ کدام را ندارند. از 10 نفر دیگر. چه تعداد از پاسخ دهندگان محصول 5 و 8 را دارند و هیچ کدام از 11 نفر دیگر. و غیره. آیا کسی دستور spss دارد که بتواند تعیین کند فراوانی ترکیبات ممکن از داده ها پیدا شده است؟ مشابه این: ترکیبات محاسباتی و این: http://pages.infinit.net/rlevesqu/Syntax/Combinations/FindAllCombinationsOf1upToNitemsOutOfMitems.txt
|
فراوانی ترکیبات ممکن است
|
77605
|
من یک پرسشنامه 80 سوالی دارم که باید بر روی آنها کاهش ابعاد انجام دهم. حدود نیمی از سوالات ترتیبی (سوالات به سبک لیکرت) و نیمی دیگر کیفی/اسمی هستند. پیشنهادی برای انجام تجزیه و تحلیل تناظر چندگانه بر روی مجموعه داده به من داده شده است، اما میپرسیدم، آیا اجرای PCA بر اساس یک ماتریس همبستگی ناهمگن که حاوی همبستگیهای چند کوریک و چند سریالی است (که توسط تابع hetcor () تولید میشود، از نظر روششناختی درست است. در بسته R 'polycor' جان فاکس). این برای من منطقی است، زیرا PCA اساساً یک تکنیک ریاضی برای محاسبه بارها و مقادیر ویژه بر اساس همبستگی ها است. هر فکری؟ با تشکر
|
PCA روی یک ماتریس همبستگی ناهمگن بهتر از MCA است؟
|
51083
|
مقایسه گروه ها در مقاطع زمانی مختلف در اندازه گیری های مکرر با استفاده از SPSS
|
|
21770
|
بسیاری از الگوریتمهای یادگیری ماشین، برای مثال شبکههای عصبی، انتظار دارند با اعداد سروکار داشته باشند. بنابراین، هنگامی که یک داده طبقه بندی دارید، باید آن را تبدیل کنید. منظورم از طبقه بندی، به عنوان مثال: برندهای خودرو: آئودی، بی ام و، شورلت... شناسه های کاربری: 1، 25، 26، 28... اگرچه شناسه های کاربری اعداد هستند، اما فقط برچسب هستند و به معنای هیچ چیزی نیستند. شرایط تداوم، مانند سن یا مقدار پول. بنابراین، به نظر میرسد رویکرد اصلی از بردارهای باینری برای رمزگذاری دستهها استفاده میکند: آئودی: 1، 0، 0... BMW: 0، 1، 0... شورولت: 0، 0، 1... وقتی تعداد کمی وجود دارد، اشکالی ندارد. دسته ها، اما فراتر از آن کمی ناکارآمد به نظر می رسد. به عنوان مثال، زمانی که شما 10000 شناسه کاربری برای رمزگذاری دارید، 10000 ویژگی است. سوال این است که آیا راه بهتری وجود دارد؟ شاید یکی شامل احتمالات؟
|
رمزگذاری ویژگی های طبقه بندی شده به اعداد برای یادگیری ماشین
|
3115
|
اهمیت همبستگی متقابل در R
|
|
104428
|
مدل طبقه بندی کننده svm من همیشه 0.5 را به عنوان احتمال پیش بینی می کند. svm.model <- svm(repeater ~ idRepeatBuyRatio + idTotalPurchase + c + d، داده = trainData، هزینه = 100، گاما = 1) svm.pred <- پیش بینی (svm.model، testData، احتمال (attrUE) svm.pred، احتمالات)) t f 1 0.5 0.5 2 0.5 0.5 3 0.5 0.5 4 0.5 0.5 5 0.5 0.5 6 0.5 0.5 که عجیب است زیرا همان فراخوانی بدون احتمال در واقع طبقه بندی های متفاوتی انجام می دهد: > svm.pred <- prodictmodel,Data (sv) ) > head(svm.pred) 1 2 3 4 5 6 f t f t f f سطوح: f t آیا کسی می تواند توضیح دهد که من چه کار اشتباهی انجام می دهم؟
| |
77603
|
من اطلاعاتی دارم که به شدت کج هستند. من می خواهم آزمایش کنم که آیا میانه داده ها با 1 متفاوت است یا خیر، بنابراین تصمیم گرفتم از تست رتبه امضا شده Wilcoxon استفاده کنم. شرح و اجرای این تست در Stata و SAS در اینجا آورده شده است: http://www.ats.ucla.edu/stat/sas/whatstat/whatstat.htm#1sampm http://www.ats.ucla.edu/ stat/stata/whatstat/whatstat.htm#1sampm هیچ Z-Score در SAS گزارش نشده است، فقط یک آمار «S» و یک مقدار p. من باید آماری را گزارش کنم، اما آمار 'S' گزارش شده توسط SAS شبیه یک واریانس یا چیزی شبیه به آن است. آیا اینجا چیز دیگری در جریان است؟ من فکر میکنم هر دو نمونه SAS و Stata در این صفحه از همان مجموعه داده 'hsb2' موجود در http://www.ats.ucla.edu/stat/data/hsb2.sas7bdat استفاده میکنند، بنابراین نتایج باید یکسان باشد.
|
آیا باید انتظار یک Z-Score را به عنوان خروجی از آزمون رتبه امضا شده داشته باشم؟
|
6123
|
من یک بررسی نمونه از جمعیتی دارم که توزیع مشخصههای خاص آن با توزیعهای کل جمعیت یکسان نیست. به عنوان مثال، سن پاسخ دهندگان من ممکن است به سمت پایین تعصب داشته باشد، یا درآمدهای نمونه من ممکن است در مقایسه با جمعیت بسیار بالا باشد (یا توزیع نظری جمعیت من، اگر توزیع واقعی جمعیت ناشناخته باشد). من می دانم که می توان ضریب وزنی را محاسبه کرد که بتواند توزیع نمونه را برای مطابقت با توزیع جمعیت در یک بعد تنظیم کند، اما آیا می توان برای دو بعد (به عنوان مثال سن و درآمد) تنظیم کرد؟ اگر چنین است، آیا شرایطی وجود ندارد که راه حلی وجود نداشته باشد (هیچ ضریب واحدی که توزیع نمونه را با توزیع جمعیت در هر دو بعد تنظیم کند؟)
|
آیا می توان مشاهدات پیمایشی را در بیش از یک توزیع وزن کرد؟
|
74559
|
من یک پایگاه داده از سوابق گونه ها دارم. نمونه X گونه (تعداد افراد). افراد ناشناس به عنوان سایر طبقه بندی شدند. در 4 درصد از این نمونهها، رده «سایر» زیرنمونهبرداری شد (نمونههای فرعی نابرابر) و افراد در سطح گونه شناسایی شدند. اکنون می خواهم اندازه دسته دیگر را برای کل پایگاه داده تخمین بزنم. از آنجایی که این فقط یک نمونه فرعی است، فکر کردم نسبت را محاسبه کنم و یک توزیع احتمال گسسته را برای توزیع افراد برای دسته دیگر در متغیرهای گونه های جدید تعریف کنم. آیا این روش کافی است؟ آیا تکنیک های مناسب تری وجود دارد؟
|
نسبتی را از زیر نمونه های نابرابر برون یابی کنید
|
77608
|
من سعی می کنم تعداد دستگاه های شکست خورده را از کل تولید شده با استفاده از GAM مدل کنم. من می خواهم مقدار بین صفر و یک محدود شود. چیزی پیدا نشد که بتواند این مشکل را حل کند. هر کمکی بسیار قدردانی خواهد شد. (تعداد خرابی ها، کل تولید شده و عوامل محرک شکست برای هر دسته تولید شده را دارم) امتحان کردم، نرخ شکست ~ s(factor1)+s(factor2)+s(factor3) اما شرطی وجود ندارد که نرخ شکست را ذکر کند. بین 0 و 1 محدود شود.
|
مدل GAM برای داده های نسبت
|
110591
|
پارامترهای S و N رایدور
|
|
57703
|
روش مناسب برای داده های اندازه گیری های گام به گام/تکرار؟
|
|
77609
|
ما داده هایی با یک نتیجه باینری و برخی متغیرهای کمکی داریم. من از رگرسیون لجستیک برای مدل سازی داده ها استفاده کردم. فقط یک تحلیل ساده، هیچ چیز خارق العاده ای نیست. خروجی نهایی قرار است یک منحنی دوز-پاسخ باشد که در آن نشان میدهیم که چگونه احتمال برای یک متغیر کمکی خاص تغییر میکند. چیزی شبیه این:  ما انتقاداتی را از یک بازبین داخلی (نه یک آماردان خالص) برای انتخاب رگرسیون لجستیک دریافت کردیم. رگرسیون لجستیک فرض می کند (یا تعریف می کند) که نقطه عطف منحنی S شکل در مقیاس احتمال با احتمال 0.5 است. او استدلال کرد که هیچ دلیلی وجود ندارد که فرض کنیم نقطه عطف واقعاً با احتمال 0.5 است و ما باید یک مدل رگرسیون متفاوتی را انتخاب کنیم که به نقطه عطف اجازه می دهد به گونه ای تغییر کند که موقعیت واقعی مبتنی بر داده باشد. در ابتدا از استدلال او غافلگیر شدم، زیرا هرگز به این نکته فکر نکرده بودم. من هیچ استدلالی برای اینکه چرا فرض کنیم نقطه عطف 0.5 است موجه است، نداشتم. پس از انجام تحقیقات، هنوز پاسخی برای این سوال ندارم. من با رگرسیون لجستیک 5 پارامتری مواجه شدم که نقطه عطف یک پارامتر اضافی برای آن است، اما به نظر می رسد که این مدل رگرسیون معمولاً هنگام تولید منحنی دوز-پاسخ با یک نتیجه پیوسته استفاده می شود. من مطمئن نیستم که آیا و چگونه می توان آن را به متغیرهای پاسخ باینری گسترش داد. حدس میزنم سوال اصلی من این است که چرا یا چه زمانی خوب است که فرض کنیم نقطه عطف یک رگرسیون لجستیک روی 0.5 است؟ اصلا مهمه؟ من هرگز کسی را ندیده ام که مدل رگرسیون لجستیک را برازش دهد و به صراحت در مورد موضوع نقطه عطف بحث کند. آیا جایگزینی برای ایجاد منحنی پاسخ دوز وجود دارد که نقطه عطف لزوماً 0.5 نباشد؟ فقط برای کامل بودن، کد R برای ایجاد تصویر بالا: dat <- read.csv(http://www.ats.ucla.edu/stat/data/binary.csv) dat$rank <- factor(dat $rank) logit <- glm(admit ~ gre + gpa + rank, Family = binomial (link = logit), data = dat) newdata <- data.frame(gre = seq(-2000,8000,1), gpa = 2.5, rank = factor(1,c(1,2,3,4))) pp <- پیش بینی (logit, newdata, type = پاسخ، se.fit = TRUE) plot(newdata$gre, pp$fit, type=l, col=black, lwd=2,ylab=احتمال، xlab=Dose) **ویرایش 1:** فقط برای اضافه کردن به آنچه اسکورتچی در یکی از نظرات گفت: بازبینی کننده واقعاً استدلال کرد که از نظر بیولوژیکی ممکن است احتمال بیشتری وجود داشته باشد که تغییر انحنا زودتر از 0.5 رخ دهد. بنابراین مقاومت او در برابر فرض اینکه نقطه عطف در 0.5 است. **ویرایش 2:** به عنوان واکنش به نظر فرانک هارل: به عنوان مثال، من مدل خود را در بالا تغییر دادم تا عبارت درجه دوم و مکعبی را در `gre` (که دوز در این مثال است) شامل شود. logit <- glm(admit ~ gre+I(gre^2)+I(gre^3)+ gpa + rank, family = binomial (link = logit), data = dat) newdata <- data.frame(admit =1، gre = seq(-2000,8000,1)، gpa = 2.5، رتبه = ضریب (1,c(1,2,3,4))) pp <- predict(logit، newdata، type = response، se.fit = TRUE) plot(newdata$gre، pp$fit، type=l، col=black, lwd=2,xlim=c( -2000,4000),ylab=Probability, xlab=Dose)  علیرغم این واقعیت که احتمالاً اضافه کردن یک عبارت درجه دوم و مکعبی «gre» در این مورد معنی ندارد، می بینیم که شکل منحنی دوز-پاسخ تغییر کرده است. در واقع ما اکنون دو نقطه عطف در حدود 0.25 و نزدیک به 0.7 داریم.
|
رگرسیون لجستیک و نقطه عطف
|
85538
|
من فقط این جمله را خواندم: > در علوم اعصاب اندازه اثر واقعی مشخص نیست این به چه معناست؟ در مقابل، به چه معناست که در کجا اندازه اثر واقعی مشخص است؟
|
این که اندازه اثر واقعی مشخص نیست به چه معناست؟
|
71275
|
من سعی می کنم کوواریانس وزنی را با دست محاسبه کنم تا بهتر بفهمم چه اتفاقی می افتد. من مقاله ویکیپیدا را خواندهام و مفهوم آن را درک میکنم. با این حال، هنگام وصل کردن مقادیر عددی با مشکل زیر مواجه می شوم: به عنوان مثال فرض کنید من سه مشاهده دارم که در ماتریس A $A = \left[ \begin{array}{ccc} 1 & 0 & 0 \\\ 0 & 1 ارائه شده است. & 0 \\\ 0 & 0 & 1 \\\ \end{array} \right]$ هر بردار سطر ماتریس A دارای مقدار وزنی است که با آن مرتبط است $w_i = (0.5، 0.33، 0.17) $ با استفاده از معادله در ویکی پدیا که عبارت است از: $$ q_{jk} = \frac{\sum_{i = 1}^{N} w_i}{(\sum_{i = 1 }^{N} w_i)^2 - \sum_{i = 1}^{N} w_{i}^2} \sum_{i = 1}^{N} w_i (x_{ij} - \bar{x}_j)(x_{ik} - \bar{x}_k) $$ اگر بخواهم $q_ را محاسبه کنم{21}$ اشتقاق شبیه $$q_{21} = \left[ \frac{1}{1 - (0.25 + 0.1089 + 0.0289 )} \right]\left(w_i(1-0.5)(0 - 0.3) + w_i(0-0.5)(1 - 0.3) + w_i(0-0.5)(0 - 0.3)\راست) $$ چه چیزی را باید وصل کنم به $w_i$ ? آیا سایر قسمت های تعویض به درستی انجام شده است؟
|
چگونه کوواریانس وزنی را محاسبه کنیم؟
|
78327
|
من یک تجزیه و تحلیل خوشه ای روی جمعیتی از مشتریان انجام دادم. من از متغیرهایی مانند: * طول عمر * مقدار صرف شده * و غیره استفاده کردم. اکنون می خواهم از این خوشه ها (خریدار کوچک، طرفدار معمولی برند A، ...) برای اهداف تقسیم بندی استفاده کنم. **مشکل:** مشتریان آینده ظاهر می شوند، اما من نمی توانم هر روز تجزیه و تحلیل خوشه ای را دوباره اجرا کنم، بنابراین باید مشتریان جدید را به خوشه های فعلی اختصاص دهم. **پیشنهاد:** می توانم مشتریان آینده را به نزدیکترین مرکز از خوشه های فعلی اختصاص دهم. در صورتی که توزیع مشتریان جدید با توزیع مشتریان فعلی یکسان نباشد، به خوشه هایی اختصاص داده می شوند که برای آنها ساخته نشده است. بنابراین، خوشه بندی بدتر می شود. **سوال:** چگونه می توانم بر تکامل کیفیت خوشه بندی/بخش بندی نظارت کنم؟ من به نظارت بر تکامل R-Squared (ضریب تعیین) فکر می کردم، زیرا این معیاری است که برای انتخاب خوشه بندی واقعی استفاده کردم، اما مطمئن نیستم که بهترین روش باشد.
|
از خوشه بندی به عنوان بخش بندی استفاده کنید
|
110338
|
تلاقی مقدماتی در تجزیه و تحلیل بقا؟
|
|
78324
|
من 3 گروه دارم، یک گروه کنترل و دو گروه درمانی که هیچ ربطی به هم ندارند. من فقط می خواهم ببینم که آیا هر یک از این 2 درمان با گروه کنترل متفاوت است یا خیر. کتاب های درسی می گویند 3 گروه یا بیشتر، از ANOVA برای جلوگیری از خطاهای نوع 1 استفاده کنید. اما من فقط نمی فهمم چرا این مورد در اینجا اعمال می شود. از یک طرف، این فقط 2 آزمون t است، بنابراین به نظر نمی رسد احتمال خطا تا حد زیادی افزایش یابد. و از طرف دیگر با توجه به اینکه علاقه ای به اختلاف بین گروه های درمانی ندارند، انجام آنالیز واریانس نمی تواند گمراه کننده باشد؟ (اگر این دو درمان با یکدیگر متفاوت باشند اما با گروه شاهد تفاوت نداشته باشند). بنابراین، آیا باید یک ANOVA انجام دهم و اگر ابزارها متفاوت است، دانت را انجام دهم؟ یا فقط 2 تست t را انجام دهید؟
|
1 گروه کنترل در مقابل 2 درمان: یک ANOVA یا دو آزمون t؟ (3 یا بیشتر گروه = ANOVA اما توضیح لازم است)
|
85531
|
قبل از انتشار یک وب سرویس جدید، سعی می کنم مهارت های تجزیه و تحلیل داده های خود را توسعه دهم تا بتوانم عملکرد سرویس را نظارت کنم. ممکن است در نهایت از خدمات خارجی (به عنوان مثال: Google Analytics) یا یک کتابخانه تجزیه و تحلیل استفاده کنم، اما قبل از اینکه مطمئن شوم که تجزیه و تحلیل را به درستی استفاده می کنم و آن را تفسیر می کنم، باید نحوه عملکرد الگوریتم ها را درک کنم. بهترین روشی که من یاد میگیرم ساختن نرمافزار است، اما من در یک مشکل (احتمالاً برای تحلیلگران با تجربه ساده) گیر کردهام: مجموعه دادهای از 10000 مورد دارم. 100 مورد با کلاس A وجود دارد (موارد می توانند چندین کلاس داشته باشند). متذکر می شوم که 60 مورد از اقلام کلاس A دارای ویژگی X هستند. من سایر ویژگی های مهم را که به نظر می رسد با موارد کلاس A همبستگی دارند، می شمارم. ممکن است فکر کنم هر آیتم جدیدی با ویژگی X 60 درصد احتمال دارد که یک کلاس باشد. یک آیتم (بی توجهی به تأثیر سایر صفات در حال حاضر). اما من همچنین محاسبه می کنم که 20٪ از موارد کل مجموعه داده دارای ویژگی X هستند. چگونه می توانم تغییر در احتمال پیش بینی خود را محاسبه کنم؟ من گمان می کنم که رویکرد بیزی مناسب باشد، اما نتایج درست به نظر نمی رسند. اگر همین محاسبات را با کلاس ها و سایر ویژگی ها انجام دهم، چگونه احتمالات را ادغام کنم؟ (به عنوان مثال: برای یافتن احتمال یک آیتم جدید با ویژگی های X,Y دارای کلاس A، P(A|X)=0.3 و P(A|Y)=0.5 را جستجو می کنم، سپس...). من فرمول ادغام p=ab/(ab+(1-a)(1-b)) را امتحان کردم اما این اشتباه به نظر می رسد. برخی از راهنمایی های ملایم قدردانی می شود.
|
ترکیب احتمالات برای پیش بینی کلاس
|
85536
|
اگر تقاضا برای نیروی کار به دستمزد واقعی بستگی داشته باشد، با فرض اینکه شرایط خطا از یکدیگر مستقل هستند، i.d. متغیرهای تصادفی، هر دو با میانگین صفر، چگونه می توانیم نشان دهیم که دستمزد واقعی و خطای معادله تقاضای نیروی کار همبستگی دارند؟ ویرایش: این یک سوال با 2 معادله است. تقاضای نیروی کار و عرضه نیروی کار. عرضه نیروی کار عمودی است و به دستمزد واقعی بستگی ندارد در حالی که تقاضای کار وابسته به دستمزد واقعی است. هر دو معادله در پایان یک عبارت خطا دارند.
|
دوطرفه مستقل i.i.d. متغیر تصادفی
|
108194
|
من به تنهایی نظریه احتمال را مطالعه می کنم و سعی می کنم مسئله زیر را در کتاب حل کنم - Let X_1 $, X_2, . . .$ مستقل باشد، $U(0, 1)$-متغیرهای تصادفی توزیع شده، و اجازه دهید $Nm \in Po(m)$ مستقل از $X_1، X_2، باشد. . . .$ تنظیم $V_m = حداکثر\\{X_1، . . . ,X_{Nm}\\} (Vm = 0 \ وقتی\ Nm = 0)$. (الف) تابع توزیع $V_m$، (ب) تابع مولد گشتاور $V_m$ را تعیین کنید. (ج) نشان دهید که $E[Vm] \به 1$ به عنوان $m \به \infty$ است. (د) نشان دهید که $m(1 - Vm)$ در توزیع به صورت $m \به \infty$ همگرا می شود و توزیع حد را تعیین کنید. وقتی سعی کردم تابع توزیع $V_m$ را پیدا کنم، در همان قسمت اول گیج شدم. من می دانم که CDF $X$ با - $F_X(x) = \begin{cases} 0، & x < 0 \\\ x، & 0 \leq x \leq 1 \\\ 1 & x > داده می شود 1 \end{cases}$ این بدان معناست که CDF $V_m$ باید با $F_{V_m}(x) = \begin{cases} 0 و x < 0 \\\ داده شود x^n, & 0 \leq x \leq 1 \\\ 1 & x > 1 \end{cases}$ where $n \in Po(m)$ سپس با تفکیک $F_{V_m}(x)$، ما تابع چگالی $f_{V_m} = nx^{n-1}$ را دریافت کنید. سپس با استفاده از احتمال شرطی، میخواهیم CDF $V_m$ را پیدا کنیم و من برای رسیدن به آنجا این کار را انجام دادم - $P(V_m = x) = \sum_{n=0}^{\infty} P(V_m = x| N_m=n). f_N(n) = \sum_{n=1}^{\infty} nx^{n-1} e^{-m} \frac{m^n}{n!} = من^{m(x-1 )}$ مشکل این است که وقتی سعی می کنم این را روی x از 0 به 1 ادغام کنم، پاسخ 1 نیست که به این معنی است که ممکن است pdf صحیح نباشد و بنابراین ادغام این ممکن است CDF صحیح را به من ارائه ندهد. اتفاقاً، هنگام ادغام این روی 1 به x، $ e^{m(x-1)} - e^{-m}$ دریافت میکنم که پاسخ صحیح نیست. من مطمئن نیستم که اشتباه بزرگی در درک خود از چیزی مرتکب شده ام یا یک مسخره کوچک. من چندین بار به محاسبات خود نگاه کردم تا مطمئن شوم که هیچ اشتباه احمقانه ای مرتکب نشده ام. فکر می کنم وقتی این قسمت اول را پشت سر گذاشتم، باید بتوانم به بقیه برسم. از هر کمکی بسیار قدردانی میکنم، زیرا احساس میکنم قبل از ادامه مسیرم درک این موضوع برای من ضروری است. با تشکر از هر کسی ande
|
تابع توزیع حداکثر n iid متغیر تصادفی یکنواخت استاندارد که n توزیع پواسون است
|
78322
|
من دو بخش از یک مجموعه داده چند بعدی دارم، بیایید آنها را آموزش و آزمایش بنامیم. و من می خواهم یک مدل بر اساس مجموعه داده های قطار بسازم و سپس آن را روی مجموعه داده های آزمایشی اعتبار سنجی کنم. تعداد خوشه ها مشخص است. من سعی کردم خوشه بندی kmeans را در R اعمال کنم و یک شی دریافت کردم که شامل مراکز خوشه ها است: kClust <\- kmeans(train, centers=N, nstart=M); آیا تابعی در R وجود دارد که مراکز خوشه های پیدا شده را بگیرد و خوشه ها را به مجموعه داده های آزمایشی من اختصاص دهد؟ روش ها/الگوریتم های دیگری که می توانم امتحان کنم چیست؟ متشکرم
|
آیا تابعی در R وجود دارد که مراکز خوشه های پیدا شده را گرفته و خوشه ها را به یک مجموعه داده جدید اختصاص دهد؟
|
85537
|
> DGP $y_i=x_i+\epsilon_i$ را در نظر بگیرید، جایی که $\epsilon_i \sim Z$. ما $\beta=1$ را با رگرسیون بدون یک جمله ثابت تخمین می زنیم، بنابراین در $y_i=\beta > x_i + \epsilon_i$. > > 1. نشان دهید که این DGP فرض ثبات را برآورده نمی کند > ($\operatorname{plim}(\frac{1}{n}X'X) \rightarrow Q، Q$ معکوس) و نشان دهید > که سرعت همگرایی $b$ به $\beta$ در این مورد $n\sqrt{n}$ است. > (نکته: $\sum_{i=1}^n i^2=\frac{1}{6}n(n+1)(2n+1))$ > 2. اجازه دهید $x_i=\frac{1} {i}$. نشان دهید که دوباره فرض ثبات > راضی نیست و سرعت همگرایی $n^0$ است. (نکته: > $\sum_{i=1}^\infty \frac{1}{i^2}=\frac{1}{6}\pi^2$). > چیزی که برای آن امتحان کردم (1): $\frac{1}{n}x'x=\frac{1}{n}\sum x_i^2=\frac{1}{6}(n+1)( 2n+1)$. کدام فرضی که حدس میزنم راضی نمیکند؟ همچنین \begin{align*} n^p(b-\beta) &= (x'x)^{-1} x'\epsilon\\\ &= \left(\frac{1}{n^p} x'x\right)^{-1} x'\epsilon\\\ &= \frac{6n^p}{n(n+1)(2n+1)} x'\epsilon\end{تراز*} و من فکر می کنم که باید نشان دهم که اگر حد $n\rightarrow \infty$ را در نظر بگیرم، جمله اول به یک ثابت در صورتی که $p=\frac{3}{2}$ باشد، ارزیابی میشود. با این حال، نمیدانم چرا اینطور است (من معتقدم که $p=3$ از اشتقاق من ناشی میشود). آنچه من برای آن تلاش کردم (2). $\frac{1}{n}x'x=\frac{1}{n}\sum_{i=1}^n \frac{1}{i^2}$. باز هم این فرض را برآورده نمی کند؟ و در مورد قسمت دوم این سوال فرعی مطمئن نیستم. پیشاپیش از کمک شما متشکرم :)!
|
سوال مجانبی حداقل مربعات (با رگرسیون های تصادفی)
|
92771
|
 من مطمئن نیستم که چگونه قسمت a را پیدا کنم، از چه فرمولی می توان برای یافتن این mgf استفاده کرد؟
|
توزیع گاما MGF
|
19761
|
> **تکراری احتمالی:** > داده های فوریه با دوره های غیرصحیح، تصحیح بایاس فاز من یک سیگنال دوره ای نه کاملاً اما خاموش، با طول تنها چند نقطه دارم. چه روش هایی برای اندازه گیری خودکار دوره آن موجود است؟ من سعی کردم از حداکثر تبدیل فوریه استفاده کنم، اما این اساساً فقط به من می گوید که چند دوره صحیح در طول کامل سیگنال وجود دارد. اگر فقط چند بار تکرار داشته باشم، تخمین نادرستی از دوره به من می دهد. اجازه دهید توضیح بدهم: فرض کنید ما یک تابع کاملا تناوبی $sin(x)$ داریم که در فواصل 0.01 بین 0 تا 30 نمونه برداری شده است. تبدیل فوریه به من می گوید که سیگنال حدود 5 دوره است که طول دوره نادرست 30 را به دست می دهد. /5 = 6، به جای واقعی که $2\pi \حدود 6.28$ است. از آنجایی که این سیگنال مثال تقریباً کاملاً دوره ای است و با چگالی بالا نمونه برداری می شود، می توان خیلی بهتر از این کار کرد. **چه راه های قوی برای تشخیص دوره وجود دارد که ممکن است در این سناریو کار کند؟** **ویرایش:** در اینجا یک سیگنال نمونه از 1000 نقطه نمونه برای آزمایش وجود دارد. من انتظار یک دوره حدود ~ 150 را با اندازه گیری دستی دارم (یعنی 6 تکرار در طول ~898). اگر به ارتفاع متناوب قوزهای کوچک دقت کنید، ممکن است استدلال کنید که باید دو برابر این مقدار باشد، اما از آنجایی که سیگنال کاملاً متناوب نیست، برای این برنامه به 150 ~ نیاز دارم.
|
تشخیص پریود یک سیگنال با طول تنها چند دوره
|
106370
|
من داده هایی برای پایبندی به داروها دارم که روند خطی نزولی را برای حدود 6 ماه (از 100٪) دنبال می کند و سپس در حدود 50٪ فلات می کند. راه دیگری برای توصیف آن این است که بگوییم پایبندی به حالت ثابت (50٪) در حدود 6 ماه پس از شروع دارو می رسد (http://www.ncbi.nlm.nih.gov/pubmed/12132975). من در حال بررسی تأثیر یک مداخله بر پایبندی به داروها بودهام و از یک طرح مطالعه طولی و یک مدل خطی برای انجام این کار استفاده کردهام. با این حال، من می خواهم سعی کنم یک فروپاشی نمایی را در مدل قرار دهم تا ببینم آیا می توانم تناسب را بهبود بخشم یا خیر. من از geeglm در R استفاده می کنم. مدل اصلی من ساده است y= Bo + B1 (time) + B2 (گروه trt) + B3 (post) + B4 (time_post) +b5 (post*trt_group) + B6 (time_post*trt_group ) که در آن post = مداخله در یک نقطه زمانی تعریف شده (تغییر در فاصله) رخ می دهد time_post = تغییر در شیب پس از مداخله. تابعی که ممکن است برای تناسب با فروپاشی کار کند A+Be-kt است که در آن A = مقدار در فلات (50٪ تخمین زده می شود) B = تفاوت بین مقدار فلات و مقدار قطع اصلی (برق معمولاً باید 100٪ باشد - بنابراین B = 50٪ ) -k = ثابت نرخ حذف t = زمان من مطمئن نیستم که چگونه این را در مدل خود قرار دهم. اگر کسی پیشنهادی برای اینکه چگونه می توانم این کار را انجام دهم، یا می تواند به من کمکی در وب ارائه دهد، واقعا مفید خواهد بود. متشکرم. 
| |
113377
|
منظور از توزیع طبقه بندی شده چیست؟
|
|
57704
|
چگونه می توان نتایج اعتبارسنجی متقابل را برای مقایسه دو مدل گزارش کرد؟
|
|
38408
|
من در حال خواندن مقاله ای هستم که از یک مدل حداقل مربعات ساده برای اندازه گیری تأثیر یک کمپین پیشگیری بر مصرف متامفتامین استفاده می کند (http://www.ncbi.nlm.nih.gov/pubmed/20638737). در معادله دوم خود، از اثرات ثابت حالت در یک مدل OLS استفاده می کند تا تأثیر زندگی در هر حالت را به تصویر بکشد. Meth ~ ثابت + Betas*Atributes + State1Beta*State1 + ... + StateZBeta * StateZ من دو سؤال دارم: 1. آیا تنها تفاوت بین استفاده از اثرات تصادفی و ثابت در این مثال توزیعی است که مقادیر در آن قرار می گیرند (یعنی یک اثر تصادفی میانگین 0 و توزیع نرمال خواهد داشت)؟ و، 2. این حرکت با این تعبیر که اثرات تصادفی، جابجایی های قطع، و اثرات ثابت، شیب ها هستند، چگونه است؟
|
پیاده سازی و تفسیر اثرات ثابت در مقابل تصادفی
|
110336
|
آزمون آکایک و مدل اثر تصادفی
|
|
38402
|
من به یک دوست کمک می کنم تا یک رگرسیون لجستیک بر روی داده های میدانی که از چندین سایت باستان شناسی استخراج شده است انجام دهد. به طور تصادفی اکثریت قریب به اتفاق رکوردها در مجموعه داده تجزیه و تحلیل از یک سایت جمع آوری شدند. برای جلوگیری از غلبه کردن ویژگی های این یک سایت بر سایر سایت ها، آیا اعمال وزن (بر اساس سایت) به رکوردها، مثلا وزن=1/(خطای stnd) مناسب است؟
|
سوال در مورد رگرسیون لجستیک وزنی
|
38405
|
آیا کسی میتواند در درک این نماد (و ایده) از تصویر GBM در R کمک کند؟ با موارد زیر شروع می شود:  **سوال 1**: من معتقدم که این به سادگی می گوید که ما به دنبال تابع هستیم f(x) که مقدار متوسط تابع ضرر را به حداقل می رساند (و آن مقدار مورد انتظار بیش از همه مقادیر X و Y است)؟ سپس این نشان داده می شود:  **سوال 2**: این دو مرحله چیست؟ آیا اولین مورد از این دو با قانون انتظارات برابر است؟ و آیا این میگوید که با در نظر گرفتن x ثابت، به دنبال مقدار مورد انتظار تابع ضرر بیش از y هستیم؟ سپس قسمت بیرونی عبارت به طور میانگین روی تمام مقادیر x است؟
|
نشانگذاری در بستهبندی GBM: مقدار مورد انتظار توابع ضرر
|
97854
|
من تازه اینجا هستم، بنابراین امیدوارم این سوال در موضوع باشد. من کمی در مورد آمار می دانم، اما دانش من در مورد روش هایی که در سناریوهای واقعی استفاده کنم کمی محدود است. من می خواهم به طور آماری دقت سیستم توسعه یافته خود را تجزیه و تحلیل کنم. این سیستم برای به دست آوردن یک اندازه گیری خاص از یک کاربر استفاده می شود، اجازه دهید آن را _Method A_ بنامیم. فقط کاربر می تواند از سیستم برای به دست آوردن اندازه گیری خود استفاده کند. برای مقایسه نتایج، میتوانم آن اندازهگیری یک کاربر را با استفاده از دو روش دیگر انجام دهم، اما اینها توسط خودم اجرا میشوند (_روش B_ و _روش C_). بنابراین آنچه من دارم نمونه ای از 40 موضوع و سه اندازه گیری از آن فاصله برای هر موضوع است. دو مورد از سیستم های موجود و سومی از سیستم توسعه یافته من می آید. در زیر جدولی وجود دارد که نتایج احتمالی این آزمایش را نشان می دهد. توجه داشته باشید که به دلیل محدودیت های بودجه، من واقعا نمی توانم اطلاعات بیشتری از این به دست بیاورم. حتی اقدامات بیشتری از یک موضوع با سیستم من انجام ندهید. موضوع | روش A | روش B | روش ج 1 | 122.6 | 123.6 | 125.6 2 | 102.6 | 104.4 | 105.2 (...) | (...) | (...) | (...) 40 | 152.6 | 151.0 | 149.7 دو معیار از سیستم موجود نیز صحیح تلقی نمی شوند، یعنی. آنها روش هایی هستند که جامعه برای به دست آوردن آن معیار خاص بیشتر به آنها تکیه می کند، اما درست در نظر گرفته نمی شوند. توجه داشته باشید که هر موضوع اندازه گیری متفاوتی دارد و معیار مربوط به موضوعات بین موضوعی نیست. یعنی هر دو موضوع می توانند معیارهای کاملاً متفاوتی داشته باشند. چگونه می توانم داده های خود را به صورت آماری تجزیه و تحلیل کنم تا ثابت کنم که سیستم من دقیق است یا خیر. یا حداقل چگونه نشان دهم که اقداماتی که از روش خود به دست میآورم به روشهای استقرار نزدیک است. کدام نوع تحلیل آماری را باید با دادههایم انجام دهم تا هر دو نتیجه را به دست بیاورم؟ آیا تغییراتی وجود دارد که بتوانم به طراحی آزمایش خود اضافه کنم تا به اثبات صحت سیستمم کمک کنم؟ پیشاپیش ممنون.a
|
چگونه باید داده های خود را تجزیه و تحلیل کنم؟
|
57701
|
مدل سازی خروجی محرک-پاسخ
|
|
38401
|
هنگام انجام آمارهای مکرر، لیست بلندبالایی از نکات مهم وجود دارد، مانند نگاه کردن به نتایج آزمایش های آماری قبل از تصمیم گیری برای جمع آوری داده های بیشتر. من به طور کلی تعجب می کنم که آیا لیست مشابهی از نه برای روش های درگیر در آمار بیزی وجود دارد یا خیر، و به طور خاص آیا موارد زیر یکی از آنهاست. اخیراً متوجه شدهام که برای برخی از مدلهایی که نصب کردهام، روند من این بوده است که ابتدا مدل را با پیشفرضهای آموزنده تطبیق دادم تا ببینم آیا کار میکند یا منفجر میشود، و سپس مدلهای اولیه را ضعیف میکنم یا به غیر اطلاعاتی یا ضعیف اطلاعرسانی میکنند. مدل را دوباره نصب کنید انگیزه من برای این واقعاً به این واقعیت مربوط می شود که من این مدل ها را در JAGS/Stan می نویسم و در ذهنم بیشتر شبیه یک کار برنامه نویسی است تا یک کار آماری. بنابراین، من اولین اجرا را انجام میدهم، به نوعی آن را برای همگرایی سریع با استفاده از پیشینهای آموزنده انجام میدهم، و گرفتن خطاها در مدلی که نوشتهام را آسانتر میکند. سپس، پس از اشکالزدایی مدل، آن را با پیشینهای بیاطلاع یا ضعیف تنظیم میکنم. سوال من این است که آیا با این روند قوانین جدی را زیر پا می گذارم یا خیر. به عنوان مثال، برای اینکه استنباطهای من معتبر باشد، و برای جلوگیری از بهرهبرداری از درجات آزادی پژوهشگران، آیا لازم است قبل از اینکه مدلهایی را بسازند، به اولویتهای خاصی متعهد شوم؟
|
آیا خوب است که ابتدا یک مدل بیزی را تطبیق دهیم، سپس شروع به تضعیف اولیه کنیم؟
|
70079
|
فرض کنید، میخواستم آزمایش کنم که آیا شرط «الف» و «ب» تأثیری در کیفیت نوشتن یک جمله دارند یا خیر. من 25 شرکت کننده دارم که برای هر شرط یک جمله کوتاه می نویسم (بنابراین، من 25 جمله را تحت شرط الف و 25 جمله دیگر را تحت شرط ب دارم). سپس سه کارشناس را استخدام می کنم تا آن 50 جمله (به ترتیب تصادفی) را با توجه به چهار معیار ارزیابی کنند: جالب، اصیل، داستان شخصی درگیر، به نظر موعظه می آید؟ کارشناسان به همه این معیارها برای همه 50 جمله پاسخ بله/خیر می دهند و بر اساس رای اکثریت، من به این جملات برچسب اختصاص می دهم (به عنوان مثال، اگر 2 نفر از 3 کارشناس می گویند یک جمله جالب است، برچسب می دهم که جمله به عنوان جالب). در زیر چیزی است که من برای تعداد جملات برچسب گذاری شده در ستون دریافت کردم. جالب اصیل شخصی موعظه شرط الف: 24 16 20 12 شرط ب: 23 22 16 15 (توجه: مجموع این دو ردیف 50 نیست زیرا برخی از جملات توسط اکثر کارشناسان به عنوان نه رتبه بندی می شوند. جالب، نه واقعی، شخصی نیست، موعظه نکردن و غیره ** من سوال این است: به نظر می رسد در مورد اصیل، فاصله کافی بین شرط A و B وجود دارد، اما من نمی دانم از چه روش آماری برای ادعای قابل توجه بودن شکاف استفاده کنم**. ایده/راهنمایی/پیشنهاد در این مورد دارد، بسیار از شما متشکرم.
|
از چه چیزی برای اندازهگیری استفاده میکنم که آیا بین دو مجموعه از نتایج رتبهبندی اهمیت وجود دارد؟
|
51827
|
تلاش برای انتخاب بین این دو تست برای داده هایی که از فروشگاه اندروید جمع آوری کرده ام. اساساً، میخواهم ببینم آیا تفاوتی در تعداد مجوزهای خطرناک درخواست شده توسط برنامههای رایگان و پولی وجود دارد یا خیر. من اندازههای نمونه برابر با 1900 دارم. وقتی دادهها را رسم میکنم، هر دو بسیار کج هستند، تقریباً مانند منحنیهای فروپاشی. تحت student-t میدانم که یک فرض توزیع نرمال وجود دارد، اما مطمئن نیستم که چه چیزی باید به طور معمول توزیع شود، بنابراین مطمئن نیستم که آیا دانشآموز t آزمون مناسبی است یا از منویتنی ناپارامتریک استفاده کنم؟
|
Student's t vs Mann-Whitney U
|
70070
|
من باید ارزش بدنی خاصی را بین چندین گروه از افراد مقایسه کنم. مقدار برای هر فرد خود میانگین چندین اندازه گیری است. سادهترین راهحل محاسبه ANOVA بین گروهها است، اما من از این راهحل راضی نیستم، زیرا تمام اطلاعات مربوط به تغییرپذیری دادهها را در یک فرد از دست خواهم داد. من میخواهم بدانم که چگونه بودن در یک گروه معین بر مقدار متوسط یک فرد تأثیر میگذارد، و تغییرپذیری در فرد را در نظر میگیرد. آیا منطقی است؟ من انتظار دارم که در بین افراد یک گروه تفاوتی را مشاهده نکنم و بین گروه ها شاهد تفاوت باشیم. چه چیزی را پیشنهاد می کنید؟
|
آیا میانگین ابزار رویکرد صحیحی است؟
|
70073
|
فرض کنید یک سکه منصفانه دارید که می توانید آن را هر چند بار که می خواهید (احتمالاً بی نهایت) ورق بزنید. آیا می توان توزیع یکنواخت گسسته را روی $(1،2،...،k)$ تولید کرد، جایی که $k$ توان 2 نیست؟ چگونه آن را انجام می دهید؟ اگر این خیلی کلی است، پاسخ دادن به $k=3$ احتمالاً به اندازه کافی جالب خواهد بود.
|
تولید یکنواخت گسسته از روی سکه
|
78822
|
من تازه وارد این انجمن هستم و در پیاده سازی Matlab مبتدی هستم. لطفاً اگر کسی می تواند به من کمک کند که چرا دقت من در تمرینات افزایش نمی یابد. مشکل من به شرح زیر است: پیاده سازی یک سیستم تشخیص کاراکتر نوری که بین تصاویر رقم 4 و رقم 2 تمایز قائل می شود. training_rate = 0.05، 0.5، 0.9 داده های آموزشی دارای 256 ویژگی هستند، هر ویژگی نشان دهنده یک مقدار پیکسل از یک تصویر است. و نقاط مثال هستند 500. randomArray = rand(1,257); XArray = ones(500,1); disp('انجام آموزش...') LearnRate = input('نرخ یادگیری را وارد کنید:'); برای i=1:500 Thetha(i,1)= randomArray(1,1); برای j=2:257 Thetha(i,1) = Thetha(i,1) + randomArray(1,j) * X(i,j-1); پایان پایان برای i=1:500 hThetha(i,1) = 1/(1+exp(-Thetha(i,1))); پایان برای i=1:500 اگر (Y(i,1) == 2) Yarray(i,1) = 0; پایان اگر (Y(i,1) == 4) Yarray(i,1) = 1; دقت انتهایی =0; مجموع = 0; صحیح = 0; در حالی که (دقت <90) دقت = 0; درست =0; برای i=1:500 nThetha(i,1)= randomArray(1,1); برای j=2:257 nThetha(i,1) = nThetha(i,1) + randomArray(1,j) * X(i,j-1); پایان پایان برای i=1:500 nhThetha(i,1) = 1/(1+exp(-nThetha(i,1))); پایان برای i=1:257 برای j=1:500 اگر (i==1) مجموع = مجموع مجموع + nhThetha(j,1) - Yarray(j,1); else Totalsum = مجموع مجموع + (nhThetha(j,1) - Yarray(j,1))*X(j,i-1); انتهای انتهایی NewThethas(1,i)= randomArray (1,i); UpdatedThethas (1,i) = NewThethas(1,i) - نرخ یادگیری * مجموع/500; پایان برای i=1:500 ThethaX(i,1)= randomArray(1,1); برای j=2:257 ThethaX(i,1) = ThethaX(i,1) + randomArray(1,j) * X(i,j-1); پایان پایان برای i=1:500 hThethaX(i,1) = 1/(1+exp(-Thetha(i,1))); پایان برای i=1:500 اگر (hThetha >= 0.5) YArray(i,1)=0 را پیش بینی کرد; else predictedYArray(i,1)=1; پایان پایان برای j=1:500 اگر (پیش بینی شدهYArray(j,1)== Yarray(j,1)) صحیح =صحیح +1; دقت انتهایی = صحیح/500*100 پایان
|
خطا در رگرسیون لجستیک
|
38403
|
در مقاله اخیر، ماسیکامپو و لالاند (M-L) تعداد زیادی از مقادیر p منتشر شده در بسیاری از مطالعات مختلف را جمع آوری کردند. آنها یک جهش عجیب در هیستوگرام مقادیر p را درست در سطح بحرانی متعارف 5٪ مشاهده کردند. بحث خوبی در مورد این پدیده M-L در وبلاگ پروفسور واسرمن وجود دارد: http://normaldeviate.wordpress.com/2012/08/16/p-values-gone-wild-and- multiscale-madness/ در وبلاگ او، شما هیستوگرام را پیدا خواهد کرد:  سطح 5% یک قرارداد است و نه یک قانون طبیعت، ** چه چیزی باعث این رفتار توزیع تجربی مقادیر p منتشر شده می شود؟** سوگیری انتخاب، تعدیل سیستماتیک مقادیر p درست بالاتر از سطح بحرانی متعارف، یا چی؟
|
چه چیزی باعث ناپیوستگی در توزیع مقادیر p منتشر شده در p <.05 می شود؟
|
37589
|
من به دنبال چند نمونه خوب از موقعیتهایی هستم که برای مدلسازی با توزیع پواسون مناسب نیستند تا به من کمک کنند توزیع پواسون را برای دانشآموزان توضیح دهم. معمولاً از تعداد مشتریانی که در یک بازه زمانی به فروشگاه میرسند به عنوان مثال استفاده میشود که میتواند با توزیع پواسون مدلسازی شود. من به دنبال یک نمونه متقابل در یک مسیر مشابه هستم، یعنی وضعیتی که می تواند به عنوان یک فرآیند شمارش مثبت در زمان پیوسته در نظر گرفته شود که به وضوح پواسون نیست. وضعیت باید تا حد امکان ساده و ساده باشد تا درک و به خاطر سپردن آن برای دانش آموزان آسان شود.
|
نمونه هایی از فرآیندهایی که پواسون نیستند؟
|
106371
|
بهترین راه برای آزمایش همزمانی اقدامات
|
|
60112
|
یکی از دانشگاهیان دانشگاهی که من در آن تحصیل می کنم، تحقیقاتی را در مورد پایداری سازمانی انجام داده است. او به من مراجعه کرد تا تحقیقات خود را به نرم افزاری تبدیل کند که بتوان از آن برای مقاصد مشاوره ای استفاده کرد. ایده کلی این است که اعضای یک سازمان ثبت نام کرده و به صورت آنلاین در نظرسنجی شرکت کنند. این نظرسنجی دارای 8 بعد (تنوع، پتانسیل نوآوری، پیچیدگی و غیره) است و هر بعد دارای 10 سوال است. به هر سوال باید در مقیاس 1-5 موافق/مخالف پاسخ داده شود. هیچ میانگین/مجموع یا محاسباتی روی نمرات گرفته نشده است. سپس باید یک نوع تجزیه و تحلیل خوشه ای انجام دهم. لازمه این است که بتوان تعداد خوشه ها را انتخاب کرد، و سپس یک نمودار زیبا ارائه می شود که خوشه ها را نشان می دهد، و سپس برای نشان دادن واگرایی/همگرایی در سازمان، و به عنوان مبنایی برای مشاوره بیشتر استفاده می شود (یعنی اگر خوشه هایی از مقادیر متفاوت در مورد تنوع وجود داشته باشد). آنچه من نیاز دارم یک روش ساده و اصلی مناسب برای تجزیه و تحلیل خوشه ای است. آکادمیک شبکه های عصبی را پیشنهاد کرد، اما استفاده از آن برای تجزیه و تحلیل خوشه ای بسیار دشوار به نظر می رسید (آمار رشته من نیست، بنابراین من در اینجا روی یخ نازک اسکیت می کنم). ویکیپدیا چیزهایی مانند K Means و غیره را مطرح میکند، اما من در آمار آنقدر سبز هستم که نمیتوانم تصمیم بگیرم چه چیزی چیست. تنها نیازی که من دارم این است که باید جریان اصلی باشد و نتایجی را ارائه دهد که با استفاده از یک کتابخانه جاوا اسکریپت مانند D3 به راحتی قابل تجسم باشد.
| |
71388
|
معذرت می خواهم اگر این اشتباه گرفته شده است، من کاملا با این گم شده ام. من می خواهم یک آزمایش مبتنی بر پرسشنامه با 6 شرط (1 عامل با 2 سطح و دیگری با 3 سطح) و شرکت کنندگان متفاوت در هر شرط انجام دهم. من باید یک تحلیل توان پیشینی انجام دهم تا اندازه نمونه مورد نیاز را بدست آوریم. من در تلاش برای تعیین اندازه اثر از تحقیقات قبلی هستم، اما اجازه دهید فرض کنیم که متوسط است. من g*power 3.1 دارم. چگونه می توانم تجزیه و تحلیل توان را انجام دهم؟ من حتی نمی دانم کدام آزمون آماری را انتخاب کنم! هر گونه کمکی بسیار قدردانی خواهد شد.
|
چگونه می توانم یک آنالیز توان پیشینی برای آناووا فاکتوریل 2x3 انجام دهم؟
|
70075
|
من می خواهم نوع خاصی از سیستم رای گیری/توصیه ایجاد کنم. مطمئنم باید اسمی برای کاری که میخواهم انجام دهم وجود داشته باشد، اما مطمئن نیستم. اساساً، من با توزیع بردارهای دودویی به طول 512 شروع میکنم. هر بردار یک تصویر بصری را تعیین میکند (یعنی الگوریتمی روی بردار اعمال میشود تا تصویر بزرگتری تولید کند). من 9 بردار را از توزیع به صورت تصادفی انتخاب می کنم و تصاویر مربوطه را در یک شبکه 3x3 به کاربر نمایش می دهم. کاربر روی موردی که فکر می کند بهترین است کلیک می کند. پس از انجام این کار، توزیع باید به روز شود و 9 تصویر دیگر را به گونه ای نمایش دهد که احتمال انتخاب یک بردار با بهترین بودن تصویر تولید شده آن رابطه مستقیم دارد. هیچ کمکی در مورد اینکه کجا به دنبال الگوریتم ها/روش هایی برای انجام این نوع کارها بگردیم؟ من می دانم که می توانم یک الگوریتم ژنتیک ساده برای انجام این کار بسازم، اما به نظر می رسد که ممکن است رویکردهای بیزی مستقیم تری وجود داشته باشد (اگر برخی فرضیات را در مورد چگونگی ارتباط بردارها اضافه کنم).
|
ML: یک سیستم رای دهی/توصیه انسانی تعمیم یافته
|
70077
|
من مجموعه ای از اعداد فاکتور و طبقه بندی کننده ای دارم که تعیین می کند آیا عاملی در بیماری نقش دارد یا خیر. بنابراین نتیجه آزمایش بله یا خیر است که نشان می دهد آیا این عامل در بیماری دخیل است یا خیر. علاوه بر این، اپلیکیشن برای هر عامل امتیازی را محاسبه می کند. این یک مجموعه داده شبیه سازی شده است، بنابراین من از قبل حقیقت مثبت واقعی را می دانم (عواملی با شماره 1 تا 1200 در بیماری دخیل هستند). مجموعه دادههای خروجی مانند زیر است: > سر (آزمون) امتیاز شماره فاکتور FDR 1241 19.16457 0 1095 1095 18.25289 0 222 222 17.71451 0 1193 1194 1194 1074 1193 1194 174. 15.60902 0 957 957 15.45877 0 اگر FDR <0.05 باشد، آنالیزور فاکتور را به عنوان عاملی که در بیماری دخیل است علامت گذاری می کند. من قرار است از بسته pROC از R برای تولید منحنی های ROC و محاسبه AUC استفاده کنم، اما با بسته اشتباه گرفته ام و مطمئن نیستم که باید از پاسخ و پیش بینی یا موارد و کنترل ها و به چه طریقی استفاده کنم.
|
نحوه استفاده از بسته pROC در R
|
113028
|
چگونه می توان از توزیع امتیازهای $R^2$ اعتبار متقابل برای تعیین اینکه آیا یک مدل به طور قابل توجهی بهتر از مدل دیگر است استفاده کرد؟
|
|
112619
|
نمیدانم مکان مناسبی برای ارسال این پست است یا نه، اما به نظرم میرسید که احتمال بیشتری وجود دارد که در آنجا پاسخی دریافت کنم. در حال حاضر روی SAS برای دوره کارآموزی کار می کنم، سعی می کنم یک ماکرو بنویسم تا فرآیند یافتن یک مدل «ARIMA» مناسب برای مجموعه داده های خود را خودکار کنم. من با این نرم افزار خیلی تازه کار هستم و در زمینه آمار کاملاً متخصص نیستم. با این حال، در حالی که من ظاهراً فهمیدم که چگونه فایلهای خود را وارد کنم و «proc arima» را راهاندازی کنم، در یک مشکل کوچک گیر کردهام. بخشی از کد من که اگر آن را خارج از ماکرو بنویسم خوب کار می کند (حدس می زنم کد باز نامیده می شود؟) مانند این: data _null_; تنظیم Lib.out; /* Lib.out حاوی داده های عبارت OUTSTAT PROC ARIMA */ x = 1000000 است. قرار دادن _STAT_؛ /* نام خطوط مختلف را به درستی چاپ می کند */ اگر _STAT_='AIC' سپس انجام دهید. /* _STAT_ یک ستون است و AIC نام یک خط AFAIK */ اگر _VALUE_ < x سپس x = _VALUE_; قرار دادن x; قرار دادن _STAT_؛ /* اینجا فقط AIC را چاپ می کند، که حدس می زنم در داخل حلقه IF */ end درست باشد. اجرا؛ اما هنگام اجرای آن در داخل یک ماکرو مانند: %macro recherche(poste=, mto=); --- کد --- داده _null_; تنظیم Lib.out; /* Lib.out حاوی داده های عبارت OUTSTAT PROC ARIMA */ %let aic0 = 1000000; % قرار _STAT_; /* دستور _STAT_ را نمی شناسد و */ %if _STAT_='AIC' %سپس %do; %if _VALUE_ < &aic0 %سپس %do; &aic0 = _VALUE_; داده Lib.chosen; تنظیم Lib.model; /* شامل عبارت OUTMODEL PROC ARIMA */ run; % پایان پایان؛ اجرا؛ --- کد --- من سعی کردم موارد مشابه را در اینترنت جستجو کنم اما توضیحی برای آنچه دنبال می کنم پیدا نکردم. به علاوه، به دلیل جدید بودن در SAS، درک اسناد رسمی هنوز دشوار است. پیشاپیش ممنون
|
مشکل در قرار دادن کد در ماکرو
|
71380
|
من می خواهم ضریب همخوانی بالا به پایین را محاسبه کنم که توافق بین دو رتبه را با تأکید بیشتر بر پایین ترین رتبه ها کمیت می کند. مقاله اصلی عبارت است از: R.L. Iman and W.J. Conover, A اندازه گیری همبستگی از بالا به پایین، Technometrics 29(3) (1987)، صفحات 351-357. اما در مورد جدیدتر نیز توضیح داده شده است. مشکل من این است که چگونه امتیازات Savage را از رتبه های مساوی محاسبه کنم. به عنوان مثال رتبه A: [1., 2., 3., 4., 5., 7., 7., 7., 9., 10., 11., 12.] رتبه B: [ 1. , 2. 3.5، 3.5، 5.، 6.، 7.، 8.، 9.، 10. 11. , 12. ] در این مورد من میانگین نمرات مشاهدات متقابل را گرفته ام. همانطور که می بینید یک گروه از 3 رتبه یکسان (7) در رتبه A و یک گروه دو رتبه مساوی (3.5) در رتبه B وجود دارد. چگونه باید امتیاز Savage را برای این رتبه ها محاسبه کنم؟ به عنوان مثال، چندین راه وجود دارد که می توانم برای بدست آوردن امتیاز Savage برای رتبه 7 در A فکر کنم: 1/7 + 1/9 + 1/10 + 1/11 + 1/12 یا 1/7 + 1/7 + 1 /9 + 1/10 + 1/11 + 1/12 یا 1/7 + 1/7 + 1/7 + 1/9 + 1/10 + 1/11 + 1/12 و غیره. یا اصلاً Concordance از بالا به پایین از رتبه های متقابل پشتیبانی نمی کند؟ در این صورت آیا ضریب تطابق دیگری با تاکید بر رتبه های پایین تر وجود دارد که پیشنهاد دهید؟
|
نحوه تخمین نمرات Savage در رتبه های مساوی
|
78820
|
من مجموعه داده ای از وظایف دارم. هر کار: * دارای مدت زمان (فاصله بر حسب ثانیه) * متعلق به یک پروژه (فاکتور نام پروژه) * دارای مالک (فاکتور نام کاربری) در R می توانم داده های خود را با چیزی شبیه سازی کنم: set.seed(1) dat <- sample(data.frame(duration=runif(N,1,8), owner=sample(gl(N/50,50)) project=sample(gl(N/60,60)))) آیا می توان مدت زمان را با استفاده از متغیرهای طبقه بندی مالک / پروژه تخمین زد؟ بهترین روشها برای کشف کدامند: طبقهبندی، تخمین، خوشهبندی، درختان، چیز دیگری؟ من به دنبال راه حل دقیقی نیستم، بلکه می خواهم روشی برای مقابله با این نوع مشکل داشته باشم.
|
مدت زمان را با استفاده از داده های طبقه بندی تخمین بزنید
|
112611
|
نتایج من صفر است اما در غیر این صورت طبیعی است. من میخواهم مدلی را پیشنهاد کنم که در آن همان پیشبینیکنندهها هم صفر یا غیرصفر بودن مقدار را تعیین میکنند و هم جدا از آن، اگر غیرصفر باشد، مقدار آن چقدر است. دلیل من برای استفاده از یک مدل با موانع چندگانه و نه فقط یک پروبیت این است که اگرچه این دو پیش بینی کننده در هر دو بخش یکسان هستند، اما اثرات نسبی آنها متفاوت است. آیا من درست می گویم که (1) یک مدل توبیت معمولی نمی تواند این کار را انجام دهد، یعنی فرض می کند که پیش بینی کننده ها تأثیر یکسانی بر نتیجه برای همه مقادیر نتیجه دارند؟ (2) آیا استفاده از مانع با دو مانع (انتخاب خوب، مصرف مطلوب) کاملاً مناسب است حتی اگر هر دو مانع از یک پیش بینی کننده استفاده کنند؟ از شما برای هر فکری متشکرم
|
R mhurdle با همان 2 پیش بینی کننده در 2 مانع جداگانه
|
70383
|
من در حال حاضر رگرسیون غیرخطی به شکل زیر انجام می دهم: $y=m(x)+\epsilon$ که در آن $\epsilon \sim N(0,\Sigma_D)$ MVN با ماتریس کوواریانس $\Sigma_D=\sigma^2 است. W^{-1}$، داده $y$ دارای کم نور $n$، پارامترهای $x$ دارای کم نور $p$، $m(x)$ است یک مدل و $W=diag(w_1,w_2,\dots,w_n)$ یک ماتریس وزن است با استفاده از کانولوشن توزیع $y \sim N(m(x),\Sigma_D)$ را بدست میآورم و پارامترها را تخمین میزنم. $x$ از طریق روش حداکثر درستنمایی و بعلاوه ماتریس کوواریانس پارامتر از طریق بسط تیلور حول برآورد $x$ مجموعه داده های کامل من شامل n=11 امتیاز (میانگین کلاسهای اندازهگیری تجمعی (واحد)) و p=3 پارامترهای تخمین زده شوند. پارامتر-پروفایل ها خیلی از حالت عادی منحرف نمی شوند، بنابراین من با تخمین های عدم قطعیت خشن خوب هستم. استفاده از MCMC یا bootstrapping مورد بحث نیست زیرا $m(x)$ برای ارزیابی زمان زیادی نیاز دارد. من دو سوال خاص در مورد تخمین $\sigma^2$ و ماتریس وزنی $W$ # 1 دارم.) من به نوعی در تعیین وزن های صحیح گم شده ام، بنابراین من 3 روش را آزمایش کرده ام: **a)** همانطور که من' m با رگرسیون در برابر میانگین، از تخمین واریانس هر نقطه داده (از داده های اصلی) برای تخصیص وزن استفاده می کنم، بنابراین $w_i=1/Var(y_i)$ rel. خطا: 8.7٪، RMSE=91.2، AICc=72.48، میانگین CV=13.36٪، میانگین Corr=0.28، s²=14.18 **b)** حداقل مربعات وزنی مجدد (IRLS) که در آن مجذور باقیمانده های یک تخمین OLS به عنوان وزن معکوس برای مرحله دوم رابطه. خطا: 8.7٪، RMSE=1.65، AICc=28.43، میانگین CV=0.38٪، میانگین Corr=0.99، s²=1.025 **c)** $w_i=c \cdot 1/y_i^2$، $c$ انتخاب شده به گونه ای که حاصلضرب همه وزن ها 1 باشد، بنابراین $\sigma^2$ واریانس یک واحد وزن است. رابطه خطا: 7.7٪، RMSE=16.2، AICc=69.91، میانگین CV=6.90٪، میانگین Corr=0.01، s²=14.86 میانگین CV: میانگین ضریب تغییرات بین پارامترهای برآورد شده (محاسبه شده از ماتریس کوواریانس پارامتر) به عنوان معیار عدم قطعیت Mean Corr: میانگین همبستگی بین پارامترهای برآورد شده (محاسبه شده از ماتریس همبستگی پارامتر) به عنوان معیاری برای شناسایی خوب، بوم شناس می گوید من باید a) را بگیرم زیرا از داده های من استفاده می کند (اگرچه s² حتی نزدیک به 1 نیست). آمارگر می گوید باید بگیرم ب) چون بیشترین احتمال را دارد فیزیکدان می گوید باید بگیرم ج) چون تابع هزینه بدون بعد است و تخمین کمترین خطای نسبی را دارد آیا راه درستی وجود دارد؟ # 2.) من می خواهم بیشتر داده ها را در کلاس کمتری جمع آوری کنم و تأثیر آن را بر عدم قطعیت پارامتر و قابلیت شناسایی مطالعه کنم. مشکل این است که موقعیتهایی وجود دارد که دادهها کاملاً توسط مدل پیشبینی میشوند، بنابراین تخمین من برای $\sigma^2$ عملاً صفر است. راه فعلی من برای جلوگیری از این امر این است که از رویکرد IRLS استفاده کنید و از $\sigma^2=1$ استفاده کنید و از رویکرد $w_i=c*1/y_i^2$ استفاده کنید و همانطور که هست از $\sigma^2=14.86$ استفاده کنید. واریانس یک واحد وزن با تشکر برای هر نظر :)
|
تخصیص وزن و تجمیع داده ها در رگرسیون غیرخطی
|
71385
|
می خواستم بپرسم چگونه می توان اندازه نمونه برداری را برای نمونه برداری منطقه بدست آورد؟ ما در حال بررسی جنس خزه های موجود در یک منطقه خاص هستیم. مساحت این منطقه حدود 50 هکتار است. ما نمی توانیم کل منطقه را رصد کنیم. بنابراین، میخواستم بپرسم چه مساحتی برای این کوه وسیع معتبر است؟
|
نحوه بدست آوردن حجم نمونه (اکولوژی)
|
70389
|
با توجه به $X$ دارای تابع چگالی $$f(x)= \frac{e^{x}}{(1+e^{x})^2},\quad -\infty<x<\infty$$ چگونه برای نشان دادن $\mathbb{E}(X)$ متناهی است. با تشکر از کمک شما. اکنون می توانم پس از دریافت کمک در stackexchange به آن پاسخ دهم!
|
نشان دهید که $\mathbb{E}(X)$ متناهی است؟
|
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.