Câu hỏi được gắn thẻ «conjugate-prior»

Một phân phối trước trong thống kê Bayes sao cho khi kết hợp với khả năng xảy ra, kết quả sau là từ cùng một họ phân bố.







2
Biện minh cho liên hợp trước?
Bên cạnh khả năng sử dụng, có bất kỳ biện minh nhận thức nào (toán học, triết học, heuristic, vv) cho việc sử dụng các linh mục liên hợp? Hoặc chủ yếu là nó thường là một xấp xỉ đủ tốt và làm cho mọi thứ dễ dàng hơn nhiều?




1
Mô hình học sâu nào có thể phân loại các danh mục không loại trừ lẫn nhau
Ví dụ: Tôi có một câu trong mô tả công việc: "Kỹ sư cao cấp Java ở Anh". Tôi muốn sử dụng một mô hình học tập sâu để dự đoán nó thành 2 loại: English và IT jobs. Nếu tôi sử dụng mô hình phân loại truyền thống, nó …
9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

3
Khả năng Gaussian + mà trước = Gaussian Marginal?
Đưa ra khả năng Gaussian cho một mẫu yyy như với là không gian tham số và , các tham số tùy ý của vectơ trung bình và ma trận hiệp phương sai.p(y|θ)=N(y;μ(θ),Σ(θ))p(y|θ)=N(y;μ(θ),Σ(θ))p(y|\theta) = \mathcal{N}(y;\mu(\theta),\Sigma(\theta))ΘΘ\Thetaμ(θ)μ(θ)\mu(\theta)Σ(θ)Σ(θ)\Sigma(\theta) Là nó có thể chỉ định một mật độ trước p(θ)p(θ)p(\theta) và parameterisation của vector …



1
Lấy mật độ sau cho khả năng logic bất thường và trước đó của Jeffreys
Hàm khả năng của phân phối logic là: f( X ; μ , σ) Alpha pinTôi11σxTôiđiểm kinh nghiệm( - ( lnxTôi- μ )22 σ2)f(x;μ,σ)αΠTôi1n1σxTôiđiểm kinh nghiệm⁡(-(ln⁡xTôi-μ)22σ2)f(x; \mu, \sigma) \propto \prod_{i_1}^n \frac{1}{\sigma x_i} \exp \left ( - \frac{(\ln{x_i} - \mu)^2}{2 \sigma^2} \right ) và Ưu tiên của Jeffreys là: p ( …

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.