প্রশ্ন ট্যাগ «likelihood»

এই প্রশ্নটি এই দ্বারা উত্সাহিত । আমি দুটি উত্স সন্ধান করেছি এবং এটি আমি খুঁজে পেয়েছি। এ। ভ্যান ডের ভার্ট, অ্যাসিম্পোটোটিক স্ট্যাটিস্টিকস: স্পষ্টভাবে কোনও প্রোফাইলের গণনা করা খুব কমই সম্ভব, তবে এর সংখ্যাগত মূল্যায়ন প্রায়শই সম্ভব হয় as তারপরে প্রোফাইল সম্ভাবনা সম্ভাবনার কার্যটির মাত্রা হ্রাস করতে পারে। প্রোফাইল সম্ভাবনা ফাংশন …

13 estimation  maximum-likelihood  likelihood  asymptotics  profile-likelihood 

আমরা বায়েসের উপপাদ্যটি লিখতে পারি p ( θ | x ) = চ( এক্স| θ)পি(θ)∫θচ( এক্স| θ)পি(θ)dθp(θ|x)=f(X|θ)p(θ)∫θf(X|θ)p(θ)dθp(\theta|x) = \frac{f(X|\theta)p(\theta)}{\int_{\theta} f(X|\theta)p(\theta)d\theta} যেখানে উত্তরোত্তর, শর্তযুক্ত বিতরণ, এবং পূর্ববর্তী হয়।f ( X | θ ) p ( θ )পি ( θ | এক্স )p(θ|x)p(\theta|x)চ( এক্স| θ)f(X|θ)f(X|\theta)পি ( θ )p(θ)p(\theta) অথবা p ( θ …

13 bayesian  likelihood 

লজিস্টিক রিগ্রেশনটির প্যারামিটারের অনুমান / প্রশিক্ষণটি কীভাবে কাজ করে? আমি এ পর্যন্ত যা পেয়েছি তা রাখার চেষ্টা করব। আউটপুট হ'ল x: উপর নির্ভর করে সম্ভাবনার আকারে লজিস্টিক ফাংশনের আউটপুট পি( y)= 1 | x ) = 11 + ই- ωটিএক্স≡ σ( ω)টিএক্স )P(y=1|x)=11+e−ωTx≡σ(ωTx)P(y=1|x)={1\over1+e^{-\omega^Tx}}\equiv\sigma(\omega^Tx) পি( y)= 0 | x ) = …

12 regression  logistic  likelihood 

আমার একটি খুব বড় ডেটাসেট রয়েছে এবং প্রায় 5% এলোমেলো মান অনুপস্থিত। এই ভেরিয়েবলগুলি একে অপরের সাথে সম্পর্কিত হয়। নীচের উদাহরণটি আর ডেটাসেটটি ডমি কোলেলেটেড ডেটা সহ একটি খেলনার উদাহরণ। set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

কেউ যদি বলেন "এই পদ্ধতিটি এমএলই প্যারামিটারের জন্য পয়েন্ট অনুমানটি ব্যবহার করে যা সর্বাধিক করে তোলে, সুতরাং এটি ঘন ঘনবাদী; এবং আরও এটি বায়েশিয়ান নয়।"P(x|θ)P(x|θ)\mathrm{P}(x|\theta) তুমি কি রাজি? ব্যাকগ্রাউন্ডে আপডেট : আমি সম্প্রতি একটি কাগজ পড়েছি যা ঘনঘনবাদী বলে দাবি করে। আমি তাদের দাবির সাথে একমত নই, সর্বোপরি আমি এটিকে …

12 bayesian  maximum-likelihood  likelihood  frequentist  philosophical 

আমি কলমান ফিল্টারটি খুব স্ট্যান্ডার্ড উপায়ে ব্যবহার করছি। সিস্টেম রাষ্ট্র সমীকরণ দ্বারা প্রতিনিধিত্ব করা হয় এবং পর্যবেক্ষণ সমীকরণ ।xt+1=Fxt+vt+1xt+1=Fxt+vt+1x_{t+1}=Fx_{t}+v_{t+1}yt=Hxt+Azt+wtyt=Hxt+Azt+wty_{t}=Hx_{t}+Az_{t}+w_{t} পাঠ্যপুস্তকগুলি শিখিয়েছে যে কলম্যান ফিল্টার প্রয়োগ করার পরে এবং "এক-পদক্ষেপের পূর্বাভাস" (বা "ফিল্টার করা প্রাক্কলন") পাওয়ার পরে, আমাদের সেগুলি সম্ভাবনা ফাংশন গণনা করার জন্য ব্যবহার করা উচিত:x^t|t−1x^t|t−1\hat{x}_{t|t-1} fyt|It−1,zt(yt|It−1,zt)=det[2π(HPt|t−1H′+R)]−12exp{−12(yt−Hx^t|t−1−Azt)′(HPt|t−1H′+R)−1(yt−Hx^t|t−1−Azt)}fyt|It−1,zt(yt|It−1,zt)=det[2π(HPt|t−1H′+R)]−12exp⁡{−12(yt−Hx^t|t−1−Azt)′(HPt|t−1H′+R)−1(yt−Hx^t|t−1−Azt)}f_{y_{t}|\mathcal{I}_{t-1},z_{t}}\left(y_{t}|\mathcal{I}_{t-1},z_{t}\right)=\det\left[2\pi\left(HP_{t|t-1}H^{\prime}+R\right)\right]^{-\frac{1}{2}}\exp\left\{ -\frac{1}{2}\left(y_{t}-H\hat{x}_{t|t-1}-Az_{t}\right)^{\prime}\left(HP_{t|t-1}H^{\prime}+R\right)^{-1}\left(y_{t}-H\hat{x}_{t|t-1}-Az_{t}\right)\right\} আমার প্রশ্ন: …

11 likelihood  kalman-filter 

বয়েসের উপপাদ্য অনুসারে, । তবে আমার একনোমেট্রিক পাঠ অনুসারে, এটি বলে যে পি ( θ | y ) ∝ পি ( y | θ ) পি ( θ ) । কেন এমন হয়? আমি কেন পাবেন না পি ( Y ) উপেক্ষা করা হয়।পি( y)| θ)পি( θ ) = পি( …

11 bayesian  conditional-probability  likelihood 

আমি কেবল ডিনর্ম () এর সাথে পুনরায় গণনা করার চেষ্টা করছি লগ-লিক ফাংশন দ্বারা সরবরাহ করা লগ-সম্ভাবনাটি কোনও এলএম মডেল (আরে) থেকে। এটি উচ্চ সংখ্যক ডেটা (যেমন এন = 1000) এর জন্য (প্রায় নিখুঁত) কাজ করে: > n <- 1000 > x <- 1:n > set.seed(1) > y <- 10 …

10 r  generalized-linear-model  likelihood  lm 

এই প্রশ্নটি শ্রেণিতে উঠে এসেছিল: আমরা যদি পরীক্ষার অনুমানের মূল্যায়ন করার জন্য পি-মানগুলি ব্যবহার করি, তবে সম্ভাবনার নীতিটির কোন অংশটি আমরা মানছি না: পর্যাপ্ততা বা শর্ত ? আমার অনুভূতি বলতে হবে সক্ষমতা , যেহেতু কম্পিউটিং একটি পি-মান একটি পরীক্ষা অলক্ষিত ফলাফল উপর নির্ভর করে, এবং সক্ষমতা একটি একক পরীক্ষা মধ্যে …

9 likelihood  philosophical  likelihood-principle 

কক্স আনুপাতিক বিপদ মডেল থেকে আপনি কীভাবে বেঁচে থাকার কার্ভটিকে ব্যাখ্যা করবেন? এই খেলনা উদাহরণে, ধরুন আমাদের কাছে ডেটা ageপরিবর্তনের ক্ষেত্রে একটি কক্স আনুপাতিক বিপত্তি মডেল রয়েছে kidneyএবং বেঁচে থাকার বক্ররেখা উত্পন্ন করছে। library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() উদাহরণস্বরূপ, সময়ে , কোন বিবৃতিটি সত্য? নাকি দুটোই …

9 r  survival  cox-model  likelihood  machine-learning  deep-learning  generative-models  machine-learning  reinforcement-learning  q-learning  regression  multicollinearity  convergence  beta-distribution  bernoulli-distribution  machine-learning  self-study  pattern-recognition  neural-networks  stochastic-processes  linear 

ফাইলোজেনেটিক্সে, প্রায়শই এমএলই বা বায়েশিয়ান বিশ্লেষণ ব্যবহার করে ফাইলেজেনেটিক গাছগুলি নির্মিত হয়। প্রায়শই, একটি ফ্ল্যাট পূর্বে বায়েশিয়ান প্রাক্কলনে ব্যবহৃত হয়। যেমনটি আমি এটি বুঝতে পারি, একটি বায়সিয়ান অনুমান একটি সম্ভাবনা অনুমান যা পূর্বে অন্তর্ভুক্ত করে। আমার প্রশ্ন হ'ল, আপনি যদি ফ্ল্যাট আগে ব্যবহার করেন তবে এটি কি সম্ভাবনা বিশ্লেষণের থেকে …

9 bayesian  confidence-interval  maximum-likelihood  likelihood  phylogeny 

"সমস্ত সম্ভাবনায়: পরিসংখ্যানের মডেলিং এবং সম্ভাবনা ব্যবহারের সম্ভাবনা" থেকে ওয়াই পাভিটান, পুনরায় পরামিতিকরণের সম্ভাবনা । ↦ জি( Θ ) = ψθ↦g(θ)=ψ\theta\mapsto g(\theta)=\psi হিসাবে সংজ্ঞায়িত করা হয় এল*( ψ ) =সর্বোচ্চ{ θ : জি( Θ ) = ψ }এল ( θ )L∗(ψ)=max{θ:g(θ)=ψ}L(θ) L^*(\psi)=\max_{\{\theta:g(\theta)=\psi\}} L(\theta) যাতে যদি এক-থেকে-এক হয় তবে (পৃষ্ঠা 45)। …

9 mathematical-statistics  inference  likelihood  fisher-information 

আমি মন্টি কার্লো পদ্ধতি দ্বারা একটি পরিসংখ্যানের মডেলটির প্রান্তিক সম্ভাবনা গণনা করার চেষ্টা করছি: চ( এক্স ) = ∫চ( x ∣ θ ) π( θ )ঘθচ(এক্স)=∫চ(এক্স|θ)π(θ)ঘθf(x) = \int f(x\mid\theta) \pi(\theta)\, d\theta সম্ভাবনাটি ভাল আচরণ করা হয় - মসৃণ, লগ-অবতল - তবে উচ্চ-মাত্রিক। আমি স্যাম্পলিংয়ের গুরুত্বের চেষ্টা করেছি, তবে ফলাফলগুলি দুর্দান্ত …

9 monte-carlo  likelihood  marginal 

আমি বর্তমানে মার্কভ চেইনের সাথে কাজ করছি এবং বেশিরভাগ উত্সের পরামর্শ অনুসারে রূপান্তর সম্ভাবনা ব্যবহার করে সর্বাধিক সম্ভাবনার প্রাক্কলন গণনা করেছি (উদাহরণস্বরূপ, একটি থেকে অন্য নোডে সামগ্রিক রূপান্তরের সংখ্যা দ্বারা বিভক্ত একটি থেকে বি স্থানান্তরের সংখ্যা)। আমি এখন এমএলই-এর লগ-সম্ভাবনা গণনা করতে চাই।

9 maximum-likelihood  markov-process  likelihood