Estadísticas y Big Data

Mi pregunta es sobre la clasificación binaria, por ejemplo, separar a los buenos clientes de los malos clientes, pero no la regresión o la clasificación no binaria. En este contexto, un bosque aleatorio es un conjunto de árboles de clasificación. Para cada observación, cada árbol vota un "sí" o "no", …

9 r  machine-learning  classification  random-forest 

Bayesian Data Analysis (p. 64) dice, con respecto a un modelo normal : una densidad previa vaga sensible para μμ\mu y σσ\sigma, suponiendo que la independencia previa de los parámetros de ubicación y escala, sea uniforme en (μ,logσ)(μ,log⁡σ)(\mu, \log \sigma), o equivalente, p(μ,σ2)∝(σ2)−1.p(μ,σ2)∝(σ2)−1. p(\mu, \sigma^2) \propto (\sigma^2)^{-1}. ¿Por qué se …

9 probability  bayesian 

Un autoencoder variacional (VAE) proporciona una forma de aprender la distribución de probabilidad relaciona una entrada con su representación latente . En particular, el codificador asigna una entrada a una distribución en . Un codificador típico generará parámetros , que representa la distribución gaussiana ; Esta distribución se utiliza como …

9 neural-networks  deep-learning  autoencoders  variational-bayes 

Estoy leyendo Aprendizaje automático práctico con Scikit-Learn y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes . Entonces no soy capaz de descubrir la diferencia entre la votación dura y la votación suave en contexto con los métodos basados ​​en conjuntos. Cito descripciones de ellos del libro. Las dos …

9 machine-learning  ensemble 

Estoy leyendo aprendizaje profundo por Ian Goodfellow et al. Introduce el sesgo como donde y son el parámetro estimado y el parámetro real subyacente, respectivamente.Bias(θ)=E(θ^)−θBias(θ)=E(θ^)−θBias(\theta)=E(\hat\theta)-\thetaθ^θ^\hat\thetaθθ\theta La consistencia, por otro lado, está definida por lo que significa que para cualquier , comolimm→∞θ^m=θlimm→∞θ^m=θ\mathrm{lim}_{m\to\infty}\hat\theta_m=\thetaϵ>0ϵ>0\epsilon > 0P(|θ^m−θ|>ϵ)→0P(|θ^m−θ|>ϵ)→0P(|\hat\theta_m-\theta|>\epsilon)\to0m→∞m→∞m\to\infty Luego dice que la consistencia implica imparcialidad …

9 estimation  bias  unbiased-estimator  consistency 

Pregunta : He ajustado un modelo probabilístico (red bayesiana) para modelar una variable de resultado binaria. Me gustaría crear un gráfico de calibración de alta resolución (por ejemplo, spline) corregido por sobreajuste con bootstrapping. ¿Existe un procedimiento estándar para calcular dicha curva? Consideraciones : podría hacerlo fácilmente con la división …

9 bootstrap  splines  regression-strategies  calibration 

Actualmente estoy trabajando en una tarea de pronóstico de demanda, con datos sobre decenas de miles de productos en un par de miles de tiendas. Más específicamente, tengo unos pocos años de datos de ventas diarias por producto en cada tienda, y mi objetivo es pronosticar las ventas futuras de …

9 time-series  forecasting  predictive-models 

Hay varios sitios web que describen el descenso de gradiente para encontrar los parámetros para la regresión lineal simple ( aquí hay uno de ellos). Google también lo describe en su nuevo curso (para el público) de ML. Sin embargo en Wikipedia , se proporcionan las siguientes fórmulas para calcular …

9 regression  scikit-learn  gradient-descent 

El título lo dice todo: ¿cuántos parámetros entrenables hay en una capa GRU? Este tipo de pregunta surge mucho cuando se intenta comparar modelos de diferentes tipos de capas RNN, como las unidades de memoria a largo plazo (LSTM) frente a GRU, en términos del rendimiento por parámetro. Dado que …

9 neural-networks  rnn  gru 

Estoy leyendo Thinking, Fast and Slow de Daniel Kahneman y me encontré con el siguiente texto Hace algunos años tuve una oportunidad inusual de examinar de cerca la ilusión de la habilidad financiera. Me habían invitado a hablar con un grupo de asesores de inversiones en una empresa que brindaba …

9 regression  time-series  correlation 

¿Qué situaciones sabemos de dónde se puede mostrar que el descenso de gradiente converge (ya sea a un punto crítico o a un mínimo local / global) para funciones no convexas? Para SGD en funciones no convexas, se ha revisado un tipo de prueba aquí, http://www.cs.cornell.edu/courses/cs6787/2017fa/Lecture7.pdf

9 gradient-descent  gradient  sgd  non-convex 

Dejar K= (K11K21K12K22)K=(K11K12K21K22)K=\begin{pmatrix} K_{11} & K_{12}\\ K_{21} & K_{22} \end{pmatrix} ser una matriz real semidefinida simétrica positiva (PSD) con K12=KT21K12=K21TK_{12}=K_{21}^T. Entonces paraEl | r | ≤1|r|≤1|r| \le 1, K∗= (K11rK21rK12K22)K∗=(K11rK12rK21K22)K^*=\begin{pmatrix} K_{11} & rK_{12}\\ rK_{21} & K_{22} \end{pmatrix} También es una matriz PSD. MatricesKKK y K∗K∗K^* son 2 × 22×22 \times …

9 matrix  linear-algebra 

Deje . Sabemos que y . ¿Esto implica que la media de la muestra y la varianza de la muestra son dependientes entre sí? ¿O simplemente significa que la varianza de la población se puede escribir en función de la media de la población ?X∼Binomial(n,p)X∼siyonorteometroyounal(norte,pags)X\sim\mathrm{Binomial}(n,p)E[X]=npmi[X]=nortepags\mathrm{E}[X]=npVar[X]=np(1−p)Vunar[X]=nortepags(1-pags)\mathrm{Var}[X]=np(1-p)x¯X¯\bar xs2s2s^2

9 distributions  binomial  independence 

Sé que el tamaño de la muestra afecta la potencia en cualquier método estadístico. Hay reglas para determinar cuántas muestras necesita una regresión para cada predictor. También escucho a menudo que el número de muestras en cada categoría en la variable dependiente de una regresión logística es importante. ¿Por qué …

9 logistic  assumptions  rare-events 

Tengo un modelo de regresión simple ( y = param1 * x1 + param2 * x2 ). Cuando ajusto el modelo a mis datos, encuentro dos buenas soluciones: La solución A, params = (2,7), es mejor en el conjunto de entrenamiento con RMSE = 2.5 ¡PERO! Solución B params = …

9 regression  cross-validation  overfitting  sensitivity-analysis