Bootstrap（自助法） 学习笔记

最新推荐文章于 2024-12-18 20:55:51 发布
最新推荐文章于 2024-12-18 20:55:51 发布
阅读量7.6k 收藏 69
点赞数 13
文章标签： 算法 经验分享
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gsthyx/article/details/108053023
版权
Bootstrap是一种统计学中的再抽样方法，源于1977年由Efron提出。它从样本自身数据进行有放回的抽样，以评估统计量的稳定性和不确定性。Bootstrap的核心思想是用经验分布代替未知的总体分布，通过多次抽样得到的统计量来研究观察统计量与真实值的关系。这种方法在小样本时特别有效，可用于估计统计量的方差和构建置信区间。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最低0.47元/天 解锁文章
gsthyx
关注
自助法（Bootstraping）
weixin_30732825的博客
07-16 2538
自助法（Bootstraping）是另一种模型验证（评估）的方法（之前已经介绍过单次验证和交叉验证：验证和交叉验证（Validation & Cross Validation））。其以自助采样法（Bootstrap Sampling）为基础，即有放回的采样或重复采样。（注：这是一种样本内抽样的方法，即将样本看作总体并从中进行抽样。） 具体做法是：在含有 m 个样本的数据集...
ISLR读书笔记九：自助法（bootstrap）
weixin_43084570的博客
10-10 600
自助法是一类应用很广的统计方法，可以用来定量化参数估计或者统计学习方法的不确定性。自助法重复地从原数据集中采样，这里采样是可放回的（replacement），可以允许有同样的样本出现，然后用得到的样本进行参数估计。 举一个例子来说明自助法的应用。假设有 XXX 和 YYY 两种不同的金融资产，现要对 XXX 和 YYY 进行投资，使得总风险最小。假设有 α\alphaα 投给了 XXX， 1−α1-\alpha1−α 投给了 YYY，那么总风险就是 Var(αX+(1−α)Y)Var(\alpha X+(1
Bootstrap自助法
夏夜蒲扇的博客
04-29 2555
一、Bootstrap中心思想 Bootstrap“自助法”，中心思想是通过从样本中重抽样（resample），构建某个估计的置信区间。 抽象的说，通过样本得到的估计并没有榨干样本中的信息，bootstrap利用重抽样，把剩余价值发挥在了构建置信区间上。 Bootstrap是对现有的数据，不断再随机取小的样本，对每个小样处理数据,得到estimator.从而来了解estimator 的varia...
Bootstrap Method 自助法
信息学院嵌入式实验室
05-08 5738
自助法（Bootstrap Method，Bootstrapping或自助抽样法） 定义： 是一种从给定训练集中有放回的均匀抽样，也就是说，每当选中一个样本，它等可能地被再次选中并被再次添加到训练集中。 历史： 自助法由Bradley Efron于1979年在《Annals of Statistics》上发表。当样本来自总体，能以正态分布来描述，其抽样分布(Sampling D
总结：Bootstrap(自助法)，Bagging，Boosting(提升)
MrLevo520的博客
11-17 1万+
前言 最近在理清一些很必要的也很基础的东西，记录一下，结合网上和文献，自己也有些易化使之更轻松理解，如有错误，请不吝赐教，多谢！ Bootstrap(自助法) Bootstrap是一种抽样方法 核心思想子样本之于样本，可以类比样本之于总体栗子：我要统计鱼塘里面的鱼的条数，怎么统计呢？假设鱼塘总共有鱼1000条，我是开了上帝视角的，但是你是不知道里面有多少。步骤：1. 承包鱼塘，不让别人捞鱼(
Bootstrap(自助法)，Bagging，Boosting(提升)
wwyy2018的博客
08-16 271
https://blog.csdn.net/MrLevo520/article/details/53189615
随机森林 & bagging袋装法(基于bootstrap重抽样自举法)的原理与python实现——机器学习笔记之集成学习 Part 1
qq_45259021的博客
07-15 2771
下图为4个输入变量时不同方法的测试误差变化情况，可以看出随着树数的增加，随机森林的误差最小。的缩写，在单个学习器（基于单个bootstrap样本构建的模型，这里是决策树，也可以是贝叶斯分类器，K-邻近等模型）具有高方差和低偏差时很有效。结果如下图所示，可以看出，当输入变量较多时，随着树数的增加，随机森林的优势逐渐显现，测试误差更低。：每个样本，每次抽样被抽到的概率为1/N，抽不到的概率为1-1/N，因此N次均未被抽到的概率为。：对N个样本，进行B次有放回的重抽样形成B个样本，每个样本包含N个数据。
西瓜书#机器学习学习笔记(小白都能看懂的机器学习教程）（格式调整中）
m0_67466450的博客
06-20 1138
第一章 绪论 什么是机器学习？ 机器学习是这样一门学科，它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能，在计算机系统中，“经验”通常以“数据”形式存在，因此，机器学习所研究的主要内容，是关于在计算机上从数据中产生“模型”(model)的算法，即“学习算法”(learning algorithm)。有了学习算法，我们把经验数据提供给它，它就能基于这些数据产生模型；在面对新的情况时（例如看到一个没剖开的西瓜），模型会给我们提供相应的判断（例如好瓜）。 基本术语：（不懂得可以上原书翻或者复制一
【学习笔记】 陈强-机器学习-Python-Ch13 提升法
2201_76026029的博客
08-28 1450
本学习笔记 仅为以防自己忘记了，顺便分享给一起学习的网友们参考。如有不同意见/建议，可以友好讨论。本学习笔记 所有的代码和数据都可以从陈强老师的个人主页上下载陈强.机器学习及Python应用. 北京：高等教育出版社, 2021.数学原理等 详见陈强老师的PPT参考了：网友阡之尘埃的Python机器学习10——梯度提升model = model.best_estimator_ #.best_estimator_属性：使用最优超参数定义最优模型。
总结：Bootstrap(自助法)，Bagging，Boosting(提升) - 简书.pdf
10-13
关于机器学习方面的集成算法，包括boosting和bagging，里面讲解详细，值得下载
Bootstrap 自助法
热门推荐
hqh45的专栏
01-14 3万+
一、简介 Bootstrap是一个很通用的算法，用来估计标准误差、置信区间和偏差。由Bradley Efron于1979年提出，用于计算任意估计的标准误差。术语“Bootstrap”来自短语“to pull oneself up by one’s bootstraps” （源自西方神话故事“ TheAdventures of Baron Munchausen”，男爵掉到了深湖底，没有工具，所
bootstrap方法_自助法（bootstrap）在统计检验中的应用及R语言实现过程
weixin_39609670的博客
11-28 2万+
Bootstrap(自助法、自举法)是非参数统计中一种重要的估计统计量方差，进而进行区间估计的统计方法。Bootstrap通过对给定数据集进行有放回的重抽样以创建多个模拟数据集，生成一系列待检验统计量的经验分布，可以计算标准误差、构建置信区间并对多种类型的样本统计信息进行假设检验。Bootstrap无需假设一个特定的理论分布，便可生成统计量的置信区间并能检验统计假设，更易于理解以及适用于...
自助法
老笨妞
08-29 9283
自助法的原理 引用别人举得一个特别形象的例子来说明一下什么是自助法： 一个池塘里面有很多鱼，到底有多少呢？有2000条，但我们并不知道？只有上帝和一个和池塘一样大的渔网才知道，但是我们不是上帝，也没有这样的渔网。于是，拿个大渔网，捞出100条鱼，做好标记，放回池塘里，让鱼游一晚上（shuffle操作），第二天，拿个小鱼网，每次捞一条鱼，捞出来后记录是否是头一天标记过的鱼，然后将鱼放回...
自助法（bootstrapping）划分数据集
sdf57的博客
07-24 9091
自助法（bootstrapping）划分数据集 一、前戏 在将数据集划分为训练集和测试集时，测试样本应从真实分布中独立同分布采样获得；同时测试集应该尽可能与训练集互斥，也就是测试样本尽量不要在训练集中出现、未在训练过程中使用过。 多数情况下采用留出法（hold-out），即从数据集中分层采样（stratified sampling）出约30%的数据作为测试集。分层采样的目的是要保持数据分布的一致性，避免划分过程
统计计算六|自助法及置换检验（Bootstrap and Permutation Test）
weixin_47748259的博客
05-30 1531
置换检验通过对比样本置换后的检验统计量与置换前的检验统计量来决定是否拒绝零假设。p 值为假设检验中假设零假设为真时观测到的至少与实际观测样本相同的样本的概率。很小的 p 值说明在零假设下观测到的概率很小。的估计，经过逐个删除并分别计算估计之后，便可以得到一系列估计值，基于这些估计值进而估计。，每次删除其中一个 (或者几个) 样本点，基于剩下的样本采用相同的估计量公式得到。Jackknife 估计的基本思想是，对于给定样本。的分布，进而得到估计量的均值和方差。分布Bootstrap估计的标准差。
自助法和蒙特卡罗
SunnyQYC的博客
05-31 1089
##蒙特卡罗仿真：用发射随机数的方法模拟数据，根据模拟1000次之后得到的结果预测，由于随机数是正态分布的，要用mvrnorm方法模拟随机数。 ##勾MASS package alpha=c() for(i in 1:1000) { mu1=c(0,0) sigma1=matrix(c(1,0.5,0.5,1.25),nrow=2) ###σ²x=1, σ²y=1.25, and σxy=0...
机器学习：数据分割-自助法
最新发布
Wei_sx的博客
12-18 574
自助法是一种灵活且有效的数据分割技术，适用于小样本数据集的模型评估和不确定性分析。通过重采样，它能够提供对模型性能的深入理解，尽管在某些情况下可能会引入偏差。在实际应用中，自助法可以与其他评估方法（如交叉验证）结合使用，以获得更全面的模型性能评估。
bootstrap自助法
08-18
Bootstrap是一个广泛应用的前端框架，它提供了一系列的CSS样式和JavaScript插件，可以帮助开发者快速构建响应式、美观的网页。 使用Bootstrap可以按照以下自助法进行开发： 1. 引入Bootstrap：在HTML文件的`<head>`标签中添加以下代码，Bootstrap的CSS样式表和JavaScript文件引入到你的项目中： ```html <link rel="stylesheet" href="https://cdn.jsdelivr.net/npm/bootstrap@4.5.2/dist/css/bootstrap.min.css"> <script src="https://cdn.jsdelivr.net/npm/bootstrap@4.5.2/dist/js/bootstrap.min.js"></script> ``` 2. 使用Bootstrap的CSS类：Bootstrap提供了一系列的CSS类，可以应用于HTML元素上，以实现常见的排版和样式效果。例如，使用`container`类创建一个容器，使用`btn`类创建一个按钮。 3. 使用Bootstrap的组件：Bootstrap还提供了各种组件，如导航栏、表单、卡片等，可以直接在HTML中使用。你可以根据Bootstrap文档中提供的示例代码，将这些组件嵌入到你的网页中。 4. 自定义样式：Bootstrap提供了丰富的CSS类和工具，你可以根据自己的需求进行自定义。通过修改CSS类、添加自定义样式或覆盖默认样式，你可以使你的网页与众不同。 5. 响应式设计：Bootstrap支持响应式布局，可以自适应不同屏幕大小的设备。通过使用Bootstrap提供的栅格系统，你可以轻松地创建响应式的网页布局。 总之，通过学习Bootstrap的文档和示例，你可以快速掌握Bootstrap的使用方法，并利用其提供的样式和组件来构建漂亮且兼容不同设备的网页。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值