Câu hỏi được gắn thẻ «likelihood»

Cho một biến ngẫu nhiên phát sinh từ phân phối tham số , khả năng được xác định là xác suất của dữ liệu được quan sát là hàm củaXF(X;θ)θ:L(θ)=P(θ;X=x)

2
Tại sao không sử dụng định lý Bayes theo hình thức
Có rất nhiều câu hỏi (như thế này ) về một số sự mơ hồ với công thức Bayes trong trường hợp liên tục. p(θ|x)=p(x|θ)⋅p(θ)p(x)p(θ|x)=p(x|θ)⋅p(θ)p(x)p(\theta | x) = \frac{p(x | \theta) \cdot p(\theta)}{p(x)} Thông thường, sự nhầm lẫn xuất phát từ thực tế là định nghĩa phân phối có điều …
1
Ý nghĩa của siêu ký tự trong và ?
Trong bối cảnh suy luận dựa trên khả năng, tôi đã thấy một số ký hiệu liên quan đến (các) tham số mà tôi thấy hơi khó hiểu. Ví dụ: ký hiệu như và .pθ(x)pθ(x)p_{\theta}(x)Eθ[S(θ)]Eθ[S(θ)]{\mathbb E}_{\theta}\left[S(\theta)\right] Tầm quan trọng của tham số ( ) trong ký hiệu đăng ký ở …
3
MCMC để xử lý các vấn đề khả năng phẳng
Tôi có một khả năng khá phẳng khiến cho bộ lấy mẫu của Metropolis-Hastings di chuyển qua không gian tham số rất bất thường, tức là không thể đạt được sự hội tụ cho dù các tham số của phân phối đề xuất là gì (trong trường hợp của tôi …
1
Dấu vết khả năng kỳ lạ từ chuỗi MCMC
Tôi đã có một mô hình đi : Single parameter -> Complex likelihood function -> Log-likelihood. Tôi đã thực hiện một chuỗi MCMC (sử dụng pymc) và vẽ sơ đồ của tham số và khả năng đăng nhập. Ước tính tham số cuối cùng là hợp lý, nhưng âm mưu …
1
Khả năng so với xác suất
Tôi gặp khó khăn với Khả năng . Tôi hiểu định lý của Bayes p(A|B,H)=p(B|A,H)p(A|H)p(B|H)p(A|B,H)=p(B|A,H)p(A|H)p(B|H)p(A|B, \mathcal{H}) = \frac{p(B|A, \mathcal{H}) p(A|\mathcal{H})}{p(B|\mathcal{H})} có thể suy ra trực tiếp từ việc áp dụng p(A,B)=p(B)⋅p(A|B)=p(A)p(B|A)=p(B,A)p(A,B)=p(B)⋅p(A|B)=p(A)p(B|A)=p(B,A)p(A,B) = p(B) \cdot p(A|B) = p (A) p(B|A) = p(B,A) . Vì vậy, theo cách giải thích của tôi, …
2
Tại sao một mô hình thống kê sẽ phù hợp hơn nếu được cung cấp một bộ dữ liệu khổng lồ?
Dự án hiện tại của tôi có thể yêu cầu tôi xây dựng một mô hình để dự đoán hành vi của một nhóm người nhất định. tập dữ liệu huấn luyện chỉ chứa 6 biến (id chỉ dành cho mục đích nhận dạng): id, age, income, gender, job category, …
8 modeling  large-data  overfitting  clustering  algorithms  error  spatial  r  regression  predictive-models  linear-model  average  measurement-error  weighted-mean  error-propagation  python  standard-error  weighted-regression  hypothesis-testing  time-series  machine-learning  self-study  arima  regression  correlation  anova  statistical-significance  excel  r  regression  distributions  statistical-significance  contingency-tables  regression  optimization  measurement-error  loss-functions  image-processing  java  panel-data  probability  conditional-probability  r  lme4-nlme  model-comparison  time-series  probability  probability  conditional-probability  logistic  multiple-regression  model-selection  r  regression  model-based-clustering  svm  feature-selection  feature-construction  time-series  forecasting  stationarity  r  distributions  bootstrap  r  distributions  estimation  maximum-likelihood  garch  references  probability  conditional-probability  regression  logistic  regression-coefficients  model-comparison  confidence-interval  r  regression  r  generalized-linear-model  outliers  robust  regression  classification  categorical-data  r  association-rules  machine-learning  distributions  posterior  likelihood  r  hypothesis-testing  normality-assumption  missing-data  convergence  expectation-maximization  regression  self-study  categorical-data  regression  simulation  regression  self-study  self-study  gamma-distribution  modeling  microarray  synthetic-data 
2
Hàm khả năng của dữ liệu bị cắt
Tôi gặp một chút khó khăn trong việc hiểu khái niệm và dẫn xuất về khả năng dữ liệu bị cắt ngắn. Ví dụ: nếu tôi muốn tìm hàm khả năng dựa trên mẫu từ phân phối, nhưng khi lấy mẫu từ phân phối, tôi quan sát các giá trị …
2
Tính toán khả năng khi rất lớn, vậy khả năng trở nên rất nhỏ?
Tôi đang cố gắng tính toán phân phối sau này: ( Q | - ) = Πni = 1pyTôiTôi( 1 - pTôi)1 - yTôiΣtất cảθ , pTôi| θΠni = 1pyTôiTôi( 1 - pTôi)1 - yTôi(θ|-)= =ΠTôi= =1npTôiyTôi(1-pTôi)1-yTôiΣtất cảθ,pTôi|θΠTôi= =1npTôiyTôi(1-pTôi)1-yTôi (\theta|-)=\frac{\prod_{i=1}^{n}p_i^{y_i}(1-p_i)^{1-y_i}}{\sum_{\text{all}\,\theta,p_i|\theta}\prod_{i=1}^{n}p_i^{y_i}(1-p_i)^{1-y_i}} Vấn đề là tử số, là sản phẩm của một …
1
Làm thế nào để tôi hoàn thành hình vuông với khả năng bình thường và bình thường trước?
Làm thế nào để tôi hoàn thành hình vuông từ điểm tôi đã rời đi, và điều này có đúng không? Tôi có một bình thường trước có dạng , để có được:p ( β | σ 2 ) ~ N ( 0 , σ 2 V )ββ\betap(β|σ2)∼N(0,σ2V)p(β|σ2)∼N(0,σ2V)p(\beta|\sigma^2)\sim \mathcal{N}(0,\sigma^2V) p(β|σ2)=(2πσ2V)p2exp[−12σ2βTβ]p(β|σ2)=(2πσ2V)p2exp⁡[−12σ2βTβ]p(\beta|\sigma^2)=(2\pi\sigma^2V)^\frac{p}{2}\exp[-\frac{1}{2\sigma^2}\beta^T\beta] …
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookie và Chính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.