Questions marquées «nonparametric-bayes»

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 
4
Processus gaussiens: comment utiliser GPML pour une sortie multidimensionnelle
Existe-t-il un moyen d'effectuer une régression de processus gaussienne sur une sortie multidimensionnelle (éventuellement corrélée) à l'aide de GPML ? Dans le script de démonstration, je ne pouvais trouver qu'un exemple 1D. Une question similaire sur le CV qui aborde le cas de l'entrée multidimensionnelle. J'ai parcouru leur livre pour …
1
Matrice de covariance pour le processus gaussien et la distribution de Wishart
Je lis ce document sur les processus Wishart généralisés (GWP). L'article calcule les covariances entre différentes variables aléatoires (suivant le processus gaussien ) en utilisant la fonction de covariance exponentielle au carré, c'est-à-dire . Il indique ensuite que cette matrice de covariance suit le GWP.K(x,x′)=exp(−|(x−x′)|22l2)K(x,x′)=exp⁡(−|(x−x′)|22l2)K(x,x') = \exp\left(-\frac{|(x-x')|^2}{2l^2}\right) Je pensais qu'une …
2
PyMC pour le regroupement non paramétrique: le processus de Dirichlet pour estimer les paramètres du mélange gaussien ne parvient pas à se regrouper
Configuration du problème L'un des premiers problèmes de jouets auquel j'ai voulu appliquer PyMC est le clustering non paramétrique: étant donné certaines données, modélisez-le comme un mélange gaussien et apprenez le nombre de clusters et la moyenne et la covariance de chaque cluster. La plupart de ce que je sais …
1
Les processus stochastiques tels que le processus gaussien / processus de Dirichlet ont-ils des densités? Sinon, comment la règle de Bayes peut-elle leur être appliquée?
Le processus de Dirichlet et le processus gaussien sont souvent appelés «distributions sur fonctions» ou «distributions sur distributions». Dans ce cas, puis-je parler de manière significative de la densité d'une fonction sous un GP? Autrement dit, le processus gaussien ou le processus de Dirichlet ont-ils une notion de densité de …
1
Mettre un prior sur le paramètre de concentration dans un processus de Dirichlet
La plupart de ces informations sont d'ordre général, passez à la fin si vous en savez déjà assez sur les mélanges de procédés Dirichlet . Supposons que je modélise certaines données comme provenant d'un mélange de processus de Dirichlet, c'est-à-dire que et conditionnel à supposentF∼D(αH)F∼D(αH)F \sim \mathcal D(\alpha H)FFFYi∼iid∫f(y|θ)F(dθ).Yi∼iid∫f(y|θ)F(dθ).Y_i \stackrel …
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.