Questions marquées «graphical-model»

Aussi appelé modèle graphique probabiliste, utilisé pour les modèles statistiques exprimés via des graphiques, causaux ou non. (Nb, "graphe" comme dans la théorie des graphes, * pas * comme dans figure ou tracé).

3
Un exemple: régression LASSO utilisant glmnet pour les résultats binaires
Je commence à me familiariser avec l’utilisation de glmnetavec LASSO Regression, où mon résultat d’intérêt est dichotomique. J'ai créé un petit cadre de données fictif ci-dessous: age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p <- …
78 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 
2
Interprétation de la courbe des résidus par rapport aux valeurs ajustées pour la vérification des hypothèses d'un modèle linéaire
Examinons la figure suivante tirée de Modèles linéaires avec R de Faraway (2005, p. 59). Le premier graphique semble indiquer que les valeurs résiduelles et ajustées ne sont pas corrélées, car elles devraient figurer dans un modèle linéaire homoscédastique avec des erreurs distribuées normalement. Par conséquent, les deuxième et troisième …
1
Quand est - ce champs aléatoires de Markov
Dans leur manuel, Modèles graphiques, familles exponentielles et inférence variationnelle , M. Jordan et M. Wainwright discutent du lien entre les familles exponentielles et les champs aléatoires de Markov (modèles graphiques non dirigés). J'essaie de mieux comprendre la relation entre eux avec les questions suivantes: Tous les MRF sont-ils membres …
2
Paramètres sans priorités définies dans Stan
Je viens de commencer à apprendre à utiliser Stan et rstan. À moins que je ne sois toujours confus sur le fonctionnement de JAGS / BUGS, je pensais que vous deviez toujours définir une distribution préalable d'une sorte pour chaque paramètre du modèle à partir duquel tirer. Il semble que …
4
Existe-t-il des tutoriels sur la théorie des probabilités bayésiennes ou des modèles graphiques par exemple?
J'ai vu des références à l'apprentissage de la théorie des probabilités bayésiennes en R, et je me demandais s'il y en avait plus, peut-être spécifiquement en Python? Orienté vers l'apprentissage de la théorie des probabilités bayésiennes, l'inférence, l'estimation du maximum de vraisemblance, les modèles graphiques et le tri?
3
Modélisation mathématique des réseaux de neurones en tant que modèles graphiques
J'ai du mal à faire le lien mathématique entre un réseau de neurones et un modèle graphique. Dans les modèles graphiques, l'idée est simple: la distribution de probabilité factorise en fonction des cliques du graphique, les potentiels étant généralement de la famille exponentielle. Existe-t-il un raisonnement équivalent pour un réseau …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.