Вопросы с тегом «graphical-model»

Я начинаю баловаться с использованием glmnetс LASSO регрессией , где мой результат представляет интерес дихотомический. Я создал небольшой фрейм данных ниже: age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p <- c(0.86, 0.45, 0.99, 0.84, 0.85, …

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 

Я ищу [бесплатное] программное обеспечение, которое может создавать красивые графические модели, например Мы ценим любые предложения.

50 graphical-model  software 

Рассмотрим следующую фигуру из линейных моделей Faraway с R (2005, стр. 59). Первый график, по-видимому, указывает на то, что остатки и подогнанные значения некоррелированы, поскольку они должны быть в гомоскедастической линейной модели с нормально распределенными ошибками. Поэтому второй и третий графики, которые, кажется, указывают на зависимость между невязками и подобранными …

34 regression  residuals  assumptions  graphical-model 

Кажется, что все они представляют случайные величины узлами и (в) зависимости через (возможно, направленные) ребра. Мне особенно интересна точка зрения Байеса.

34 causality  neural-networks  multilevel-analysis  graphical-model 

Введение в графические модели описывает их как «... брак между теорией графов и теорией вероятностей». Я получил часть теории вероятностей, но у меня возникли проблемы с пониманием того, куда именно подходит теория графов. Какие выводы из теории графов помогли углубить наше понимание распределения вероятностей и принятия решений в условиях неопределенности? …

29 graphical-model  graph-theory  distributions 

В настоящее время я изучаю «Байесовское рассуждение и машинное обучение» Дэвида Барбера, и это очень хорошо написанная и интересная книга для изучения основ. Так что вопрос к тому, кто уже сделал это. Какую следующую серию книг я должен пройти после того, как у меня будет достаточное знание большинства понятий в …

22 machine-learning  bayesian  references  graphical-model 

В учебнике, графические моделях, экспоненциальная семье и вариационные умозаключениях , М. Иордане и М. Уэйнрайт обсуждается связь между экспоненциальными семействами и марковскими случайными полей (неориентированные графические моделями). Я пытаюсь лучше понять отношения между ними с помощью следующих вопросов: Все ли MRF являются членами Экспоненциальных семей? Могут ли все члены из …

21 mathematical-statistics  graphical-model 

Если я фиксирую значения наблюдаемых узлов MRF, становится ли он CRF?

19 probability  graphical-model  graph-theory  conditional-random-field  markov-random-field 

Я пытаюсь понять логику d-разделения в каузальных байесовских сетях. Я знаю, как работает алгоритм, но я не совсем понимаю, почему «поток информации» работает так, как указано в алгоритме. Например, на графике выше, давайте подумаем, что нам дан только X, и никакой другой переменной не наблюдалось. Затем по правилам d-разделения поток …

15 bayesian  causality  graphical-model  bayesian-network 

Я только начал учиться использовать Стэн и rstan. Если я не всегда был озадачен тем, как работают JAGS / BUGS, я думал, что вы всегда должны были определять какое-то предварительное распределение для каждого параметра в модели, из которой нужно извлечь. Похоже, что вам не нужно делать это в Stan на …

14 mcmc  prior  jags  graphical-model  stan 

Я видел ссылки на изучение байесовской теории вероятностей в R, и мне было интересно, есть ли еще что-то подобное, возможно, конкретно в Python? Направлены на изучение байесовской теории вероятностей, умозаключений, оценки максимального правдоподобия, графических моделей и тому подобного?

13 machine-learning  bayesian  python  graphical-model 

Я изучаю вероятностные графические модели , книгу для самостоятельного изучения. Представляют ли ребра в ориентированном ациклическом графе (DAG) причинные связи? Что если я хочу построить байесовскую сеть , но я не уверен в направлении стрелок в ней? Все данные скажут мне, что наблюдаются корреляции, а не взаимосвязь между ними. Я …

13 causality  graphical-model  bayesian-network  dag 

Я изо всех сил пытаюсь сделать математическую связь между нейронной сетью и графической моделью. В графических моделях идея проста: распределение вероятностей разлагается в соответствии с кликами на графике, причем потенциалы обычно имеют экспоненциальное семейство. Есть ли аналогичная аргументация для нейронной сети? Можно ли выразить распределение вероятности по единицам (переменным) в …

12 neural-networks  markov-process  graphical-model  deep-learning  deep-belief-networks 

Из Википедии Динамическая байесовская сеть (DBN) - это байесовская сеть, которая связывает переменные друг с другом в течение смежных временных шагов. Это часто называют BN с двумя временами, потому что оно говорит, что в любой момент времени T значение переменной может быть вычислено из внутренних регрессоров и непосредственного предшествующего значения …

11 hidden-markov-model  graphical-model 

Хотя я фактически занимался программированием на машинах Больцмана в классе физики, я не знаком с их теоретической характеристикой. Напротив, я знаю скромное количество о теории графических моделей (о первых нескольких главах книги Лауритцена « Графические модели» ). Вопрос: Есть ли какая-либо значимая связь между графическими моделями и машиной Больцмана? Является …

10 machine-learning  neural-networks  mathematical-statistics  graphical-model  rbm