Statistiques et Big Data linear

1

Transformation linéaire d'une variable aléatoire par une grande matrice rectangulaire

Disons que nous avons un vecteur aléatoire , tiré d'une distribution avec la fonction de densité de probabilité . Si nous le transformons linéairement par une matrice n \ fois n de rang complet A pour obtenir \ vec {Y} = A \ vec {X} , alors la densité de …

12 references random-variable pdf linear

2

Régression linéaire simple dans Keras

Après avoir regardé cette question: en essayant d'émuler la régression linéaire en utilisant Keras , j'ai essayé de rouler mon propre exemple, juste à des fins d'étude et pour développer mon intuition. J'ai téléchargé un simple ensemble de données et utilisé une colonne pour en prédire une autre. Les données …

12 regression machine-learning neural-networks linear keras

5

Quand utiliser le modèle à effets mixtes?

Les modèles d'effets mixtes linéaires sont des extensions des modèles de régression linéaire pour les données collectées et résumées en groupes. Les principaux avantages sont que les coefficients peuvent varier par rapport à une ou plusieurs variables de groupe. Cependant, je me bats avec quand utiliser le modèle à effets …

11 regression mixed-model random-effects-model linear

1

Pourquoi appelons-nous les équations d'estimation des moindres carrés en régression linéaire les * équations normales *?

Lorsque nous voulons estimer des paramètres de régression linéaire, nous faisons des équations normales autant que le modèle linéaire contient un nombre d'inconnues. Pourquoi ces équations sont-elles appelées équations normales?

11 regression least-squares terminology linear

1

L'ajout d'un prédicteur de régression linéaire diminue le R au carré

Mon ensemble de données ( ) a une variable dépendante (DV), cinq variables "de base" indépendantes (P1, P2, P3, P4, P5) et une variable indépendante d'intérêt (Q).N≈10,000N≈10,000N \approx 10,000 J'ai exécuté des régressions linéaires OLS pour les deux modèles suivants: DV ~ 1 + P1 + P2 + P3 + …

10 regression linear r-squared

4

Comment interpréter une courbe de survie du modèle de risque de Cox?

Comment interprétez-vous une courbe de survie à partir du modèle de risque proportionnel cox? Dans cet exemple de jouet, supposons que nous ayons un modèle de risque proportionnel cox sur agevariable dans les kidneydonnées et générons la courbe de survie. library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Par …

9 r survival cox-model likelihood machine-learning deep-learning generative-models machine-learning reinforcement-learning q-learning regression multicollinearity convergence beta-distribution bernoulli-distribution machine-learning self-study pattern-recognition neural-networks stochastic-processes linear

2

Combinaison linéaire de deux non normaux aléatoires qui est toujours membre de la même famille

Il est bien connu qu'une combinaison linéaire de 2 variables normales aléatoires est également une variable normale aléatoire. Y a-t-il des familles de distribution non normales communes (par exemple, Weibull) qui partagent également cette propriété? Il semble y avoir de nombreux contre-exemples. Par exemple, une combinaison linéaire d'uniformes n'est généralement …

9 distributions linear

2

Est-il possible de simuler une régression logistique sans hasard?

Nous pouvons simuler une régression linéaire sans caractère aléatoire, ce qui signifie que nous faisons au lieu de . Ensuite, si nous ajustons un modèle linéaire, les coefficients seront identiques à la "vérité fondamentale". Voici un exemple.y=Xβy=Xβy=X\betay=Xβ+ϵy=Xβ+ϵy=X\beta+\epsilon set.seed(0) n <- 1e5 p <- 3 X <- matrix(rnorm(n*p), ncol=p) beta <- …

8 r logistic regularization linear separation

3

Trouvez la distribution et passez à la distribution normale

J'ai des données qui décrivent la fréquence à laquelle un événement se produit pendant une heure ("nombre par heure", nph) et la durée des événements ("durée en secondes par heure", dph). Ce sont les données d'origine: nph <- c(2.50000000003638, 3.78947368414551, 1.51456310682008, 5.84686774940732, 4.58823529414907, 5.59999999993481, 5.06666666666667, 11.6470588233699, 1.99999999998209, NA, 4.46153846149851, 18, …

8 normal-distribution data-transformation logistic generalized-linear-model ridge-regression t-test wilcoxon-signed-rank paired-data naive-bayes distributions logistic goodness-of-fit time-series eviews ecm panel-data reliability psychometrics validity cronbachs-alpha self-study random-variable expected-value median regression self-study multiple-regression linear-model forecasting prediction-interval normal-distribution excel bayesian multivariate-analysis modeling predictive-models canonical-correlation rbm time-series machine-learning neural-networks fishers-exact factorisation-theorem svm prediction linear reinforcement-learning cdf probability-inequalities ecdf time-series kalman-filter state-space-models dynamic-regression index-decomposition sampling stratification cluster-sample survey-sampling distributions maximum-likelihood gamma-distribution

1

Valeur attendue et variance de l'estimation du paramètre de pente

Je lis un texte, "Probability and Statistics" de Devore. Je regarde 2 éléments à la page 740: la valeur attendue et la variance de l'estimation deβ1β1\beta_1, qui est le paramètre de pente dans la régression linéaire Ouije=β0+β1Xje+ϵjeYi=β0+β1Xi+ϵiY_i = \beta_0 + \beta_1 X_i + \epsilon_i. ϵjeϵi\epsilon_i est gaussien (μ = 0 …

8 regression self-study linear

Questions marquées «linear»