প্রশ্ন ট্যাগ «r»

আমি ব্যবহার করে মডেল নির্বাচন করতে চাই regsubsets()। আমার কাছে অলিম্পিয়াডটেন (ডেটা আপলোড করা হয়েছে: http://www.sendspace.com/file/8e27d0 ) নামে একটি ডেটাফ্রেম রয়েছে । আমি প্রথমে এই ডেটাফ্রেমটি সংযুক্ত করি এবং তারপরে বিশ্লেষণ শুরু করি, আমার কোডটি হ'ল: attach(olympiadaten) library(leaps) a<-regsubsets(Gesamt ~ CommunistSocialist + CountrySize + GNI + Lifeexp + Schoolyears + …

9 r  multiple-regression  model-selection 

ডকুমেন্টেশনে উল্লেখ করা হয়েছে যে বিতরণ = "অ্যাডাবুস্ট" সহ আর জিবিএম 0-1 শ্রেণিবিন্যাস সমস্যার জন্য ব্যবহার করা যেতে পারে। নিম্নলিখিত কোড খণ্ড বিবেচনা করুন: gbm_algorithm <- gbm(y ~ ., data = train_dataset, distribution = "adaboost", n.trees = 5000) gbm_predicted <- predict(gbm_algorithm, test_dataset, n.trees = 5000) এটি ডকুমেন্টেশনে পাওয়া যাবে যে …

9 r  gbm 

ধরুন আমার কাছে 4 টি সম্ভাব্য ইভেন্টের ফ্রিকোয়েন্সিগুলির একটি নমুনা রয়েছে: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 এবং আমার ঘটনার প্রত্যাশিত সম্ভাবনা রয়েছে: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 আমার চারটি ইভেন্টের পর্যবেক্ষণের ফ্রিকোয়েন্সিগুলির যোগফলের সাথে (18) আমি …

9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 

বন্ধ থাকে। এই প্রশ্নটি অফ-টপিক । এটি বর্তমানে উত্তর গ্রহণ করছে না। এই প্রশ্নটি উন্নত করতে চান? প্রশ্নটি আপডেট করুন যাতে এটি ক্রস ভ্যালিডেটের জন্য অন-বিষয় । 2 বছর আগে বন্ধ । আর থেকে আউটপুট চমৎকার সারসংক্ষেপ প্লট পাবে বলে মনে হয় bugsএবং jagsফাংশন দ্বারা উত্পন্ন বস্তু R2WinBUGS :: বাগ …

9 r  data-visualization  jags  bugs 

আমি আরআইএমএতে ফর্ম ব্যবহার করে আরিমা (5,1,2) মডেলটি লাগিয়েছি auto.arima()এবং অর্ডার দিয়ে আমরা বলতে পারি এটি পূর্বাভাসের পক্ষে সেরা মডেল নয়। যদি ডেটা সিরিজে আউটলিয়ারদের উপস্থিত থাকে তবে এই জাতীয় ডেটাতে কোনও মডেল ফিট করার পদ্ধতিটি কী?

9 r  time-series  forecasting  outliers  arima 

আমি একটি 95% আত্মবিশ্বাসের ব্যবধানের পুনরাবৃত্ত পরীক্ষা-নিরীক্ষার অনুকরণের জন্য একটি আর স্ক্রিপ্ট লেখার চেষ্টা করছি। আমি খুঁজে পেয়েছি যে এটি সময়ের যে অনুপাতের সত্য জনসংখ্যার মান নমুনার 95% সিআই-র মধ্যে থাকে তার চেয়ে বেশি অনুপাতকে গুরুত্ব দেয়। একটি বড় পার্থক্য নয় - প্রায় 96% বনাম 95% তবে তবুও এটি আমাকে …

9 r  confidence-interval  binomial  theory 

এখানে আমি ব্যবহৃত কক্স্ফ-মডেলের সংক্ষিপ্ত-আউটপুট (আমি আর ব্যবহার করেছি এবং আউটপুটটি সেরা চূড়ান্ত মডেলের উপর ভিত্তি করে অর্থাৎ সমস্ত উল্লেখযোগ্য ব্যাখ্যামূলক ভেরিয়েবল এবং তাদের মিথস্ক্রিয়াগুলি অন্তর্ভুক্ত করা হয়েছে): coxph(formula = Y ~ LT + Food + Temp2 + LT:Food + LT:Temp2 + Food:Temp2 + LT:Food:Temp2) # Y<-Surv(Time,Status==1) এন = 555 …

9 r  interaction  regression-coefficients  cox-model 

আমি নির্দিষ্ট ব্যক্তির জন্য (আমার 3 টি গ্রুপ আছে) ভেরিয়েবল লগইন্ডে বছরের প্রভাব বিশ্লেষণ করার চেষ্টা করছি। সবচেয়ে সহজ মডেল: > fix1 = lm(logInd ~ 0 + Group + Year:Group, data = mydata) > summary(fix1) Call: lm(formula = logInd ~ 0 + Group + Year:Group, data = mydata) Residuals: Min …

9 r  mixed-model  lme4-nlme  random-effects-model 

আমার একটি সমস্যা হয়েছে যা আমি মনে করি সহজ হওয়া উচিত তবে এটি সঠিকভাবে বের করতে পারি না। আমি বীজ পরাগায়নের দিকে তাকিয়ে আছি, আমার কাছে গাছগুলি (n = 36) ক্লাস্টারে ফুল রয়েছে, আমি প্রতিটি উদ্ভিদ থেকে 3 টি ফুলের ক্লাস্টার এবং প্রতিটি ক্লাস্টার থেকে 6 টি বীজ শুকানো (প্রতিটি …

9 r  distributions  bootstrap  zero-inflation 

বন্ধ থাকে। এই প্রশ্নটি অফ-টপিক । এটি বর্তমানে উত্তর গ্রহণ করছে না। এই প্রশ্নটি উন্নত করতে চান? প্রশ্নটি আপডেট করুন যাতে এটি ক্রস ভ্যালিডেটের জন্য অন-বিষয় । 2 বছর আগে বন্ধ । নিম্নলিখিত কোড PredictNew <- predict (glm.fit, newdata = Predict, X1 =X1, Y1= Y1, type = "response", se.fit = …

9 r  generalized-linear-model  count-data  zero-inflation 

আর-তে অপটিম ব্যবহার করে লগ-সম্ভাবনা ফাংশন সর্বাধিক করে অনুমানের জন্য প্যারামিটারগুলির জন্য প্রোফাইলিং ব্যবহার করে 95% আত্মবিশ্বাসের ব্যবধানগুলি কীভাবে অনুমান করতে পারি? আমি জানি যে আমি হেসিয়ানকে উল্টিয়ে কোভেরিয়েন্স ম্যাট্রিক্সকে আশ্রয়হীনভাবে অনুমান করতে পারি , তবে আমি উদ্বিগ্ন যে এই তথ্যটি বৈধ হওয়ার জন্য আমার ডেটা প্রয়োজনীয় অনুমানগুলি পূরণ করে …

9 r  confidence-interval  maximum-likelihood  optimization  profile-likelihood 

নিম্নলিখিত গ্রাফ্ট এই নিবন্ধ থেকে নেওয়া হয়েছে । আমি বুটস্ট্র্যাপে নবাগত এবং R bootপ্যাকেজের সাথে রৈখিক মিশ্র মডেলের জন্য প্যারামিমেট্রিক, সেমিপ্রায়মেট্রিক এবং ননপ্যারমেট্রিক বুটস্ট্র্যাপিং বুটস্ট্র্যাপিং বাস্তবায়নের চেষ্টা করছি । আর কোড আমার Rকোডটি এখানে : library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

আমি রিগ্রেশনের জন্য আর (আর সংস্করণ ২.১13.১, র্যান্ডমফোরস্ট সংস্করণ ৪.6-২) এ র্যান্ডমফোরস্ট প্যাকেজটি ব্যবহার করছি এবং আমার ফলাফলগুলিতে একটি উল্লেখযোগ্য পক্ষপাতিত্ব লক্ষ্য করেছি: ভবিষ্যদ্বাণী ত্রুটি প্রতিক্রিয়ার ভেরিয়েবলের মানের উপর নির্ভরশীল। উচ্চ মানগুলি পূর্বাভাসিত এবং নিম্ন মানগুলি পূর্বাভাসিত হয়। প্রথমে আমি সন্দেহ করি এটি আমার ডেটা এর পরিণতি ছিল তবে নিম্নলিখিত …

9 r  regression  random-forest 

আমি এগ্রেস্তি (2007) পড়ছি, শ্রেণিবদ্ধ ডেটা বিশ্লেষণের পরিচিতি , ২ য়। সংস্করণ, এবং নিশ্চিত না যে আমি এই অনুচ্ছেদটি (p.106, 4.2.1) সঠিকভাবে বুঝতে পেরেছি (যদিও এটি সহজ হওয়া উচিত): পূর্ববর্তী অধ্যায়ে স্নোরিং ও হৃদরোগ সম্পর্কিত সারণী 3.1-এ 254 টি বিষয় প্রতি রাতে শামুক খাওয়ার রিপোর্ট করেছে, যার মধ্যে 30 জনকে …

9 r  generalized-linear-model  logistic 

আমার ডেটা হ'ল নিয়োগকৃত জনসংখ্যার একটি সময় ধারা, এল এবং সময়কাল, বছর। n.auto=auto.arima(log(L),xreg=year) summary(n.auto) Series: log(L) ARIMA(2,0,2) with non-zero mean Coefficients: ar1 ar2 ma1 ma2 intercept year 1.9122 -0.9567 -0.3082 0.0254 -3.5904 0.0074 s.e. NaN NaN NaN NaN 1.6058 0.0008 sigma^2 estimated as 1.503e-06: log likelihood=107.55 AIC=-201.1 AICc=-192.49 BIC=-193.79 In-sample …

9 r  regression  arima