![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
统计学
文章平均质量分 72
小桥流水---人工智能
一切皆有可能!
展开
-
马尔科夫链与强化学习:不可分割的联盟
强化学习是一种学习方法,其中一个智能体通过与环境互动来学习如何最大化某种累积奖励。它通常涉及决策过程,在这个过程中,智能体需要在给定的状态下选择动作,然后环境响应这些动作并反馈新的状态和奖励。原创 2024-05-19 17:13:42 · 1144 阅读 · 0 评论 -
马尔科夫决策过程:基础、历史和应用全解析
在统计学和机器学习领域,马尔科夫模型扮演了重要的角色,尤其是在决策制定和预测模型中的应用。本篇博客旨在深入探讨马尔科夫模型及其在决策过程中的应用——马尔科夫决策过程(MDP)。我们将详细介绍马尔科夫决策的概念、起源、结构及其广泛的应用场景。原创 2024-05-18 15:56:00 · 1013 阅读 · 0 评论 -
切比雪夫理论深入解析:统计学中的一个基石
在统计学中,切比雪夫不等式是一个极其重要的理论工具,它为处理不完全了解其分布的随机变量提供了强大的界限估计。该理论指出,对于任何具有实数期望值和非零方差的随机变量,其取值落在其均值的某个固定倍数的标准差之外的概率可以被界定。在某些具有已知更具体分布(如正态分布)的情况下,使用更专门的工具(如使用正态分布的性质)可能会得到更好的结果。切比雪夫不等式的一个主要优点是它对于任何具有定义良好的均值和方差的分布都是适用的,这使得它成为一个非常强大的工具,尤其是在我们无法获得分布详细形态的实际问题中。原创 2024-05-16 15:10:40 · 547 阅读 · 0 评论 -
按照以下步骤使用Transformer模型
自注意力机制允许模型在处理输入序列时,动态地为每个输入位置分配不同的权重,从而捕捉输入之间的长距离依赖关系。由于Transformer没有显式的循环或卷积结构来处理序列顺序,因此需要一种方式来为输入序列中的每个位置提供有关其在序列中的位置信息。位置编码通过向输入嵌入中添加特定的位置信息向量来实现这一点,这使得模型能够理解序列中各个位置的顺序关系。为了增加模型对不同表示空间的注意力,Transformer中的自注意力机制被扩展为多个并行操作,每个操作被称为一个“头”。编码器的输出通常用于生成输入序列的表示。原创 2024-04-23 20:44:47 · 447 阅读 · 0 评论 -
PCA(Principal Component Analysis,主成分分析)与矩阵X的协方差矩阵之间的联系
矩阵 (X) 的协方差矩阵告诉我们原始特征之间的线性关系和方差信息。而PCA的投影方程告诉我们如何将这些原始特征变换成新的特征,使得它们的方差最大化且彼此之间不相关。这两者的关系在于,PCA的投影方程实际上是在找到使得协方差矩阵中方差最大的特征向量。这些特征向量就是PCA找到的新特征的方向。所以,PCA的投影方程和协方差矩阵的特征向量是密切相关的,因为它们都是为了找到数据中最重要的方差方向。原创 2024-04-19 15:04:08 · 584 阅读 · 0 评论 -
小波降噪的原理,以及软阈值函数和硬阈值函数的详细定义,应用和区别,以及数学公式的解释!!!看完你就懂了软阈值函数和硬阈值函数
小波降噪是一种应用小波理论的信号降噪方法,主要通过减少噪声的干扰,同时保留信号中的重要信息。小波降噪适用于处理非平稳信号,如语音、图像等。小波降噪、软阈值函数和硬阈值函数都是信号处理中常用的方法和技术,它们在各自的领域中有着广泛的应用。如果需要保留图像的边缘信息,并且对局部失真不太在意,那么可以选择硬阈值函数。如果需要更好地消除噪声,并且对图像的边缘模糊不太在意,那么可以选择软阈值函数。此外,还可以根据噪声的大小和分布来选择合适的阈值函数。如果噪声较大且分布不均匀,那么可能需要选择更为灵活的阈值函数。原创 2023-11-27 10:45:14 · 2848 阅读 · 0 评论 -
非参数估计与参数估计的区别,以及详细列举了常用的非参数估计方法和参数估计方法,一网打尽非参数估计与参数估计!!!
非参数估计和参数估计是统计学中的两种不同的估计方法。总结来说,非参数估计和参数估计的主要区别在于是否加入主观的先验知识。参数估计需要先假设数据符合某种特定的分布,然后通过抽样的样本来估计总体对应的参数;而非参数估计则是根据数据本身的特点、性质来拟合分布,能够更好地适应数据的实际情况。原创 2023-11-27 09:49:56 · 4733 阅读 · 0 评论 -
核密度估计法(KDE)的概念,应用,优点,缺点,以及与正态分布(高斯分布)的区别,以及与概率分布的区别联系。看完你就真正捋清这些概念了
核密度估计法(KDE)的发展起源可以追溯到1950年代和1960年代。在概率论中,人们经常需要估计未知的密度函数,以便更好地理解数据的分布特征。在早期,直方图被广泛用于一维数据的密度估计。直方图将数据分成若干区间,并统计落入每个区间内的点的数量,然后用直观的方式将结果可视化。然而,直方图存在一些局限性,例如无法处理多维数据,以及对于边界效应的处理不够理想。为了克服这些局限性,Rosenblatt (1955)和Emanuel Parzen(1962)提出了一种名为核密度估计的非参数方法。原创 2023-11-27 09:31:35 · 7905 阅读 · 0 评论 -
粒子群算法Particle Swarm Optimization (PSO)的定义,应用优点和缺点的总结!!
粒子群算法是一种基于群体协作的随机搜索算法,通过模拟鸟群觅食行为而发展起来。该算法最初是由Eberhart博士和Kennedy博士于1995年提出的,源于对飞鸟集群活动的规律性启发。粒子群算法的基本思想在于通过群体中个体之间的协作和信息共享来寻找最优解。在粒子群算法中,每个粒子代表问题的一个潜在解,粒子的位置、速度和适应度值分别表示该粒子的特征。适应度值由适应度函数计算得到,其值的好坏表示粒子的优劣。粒子在搜索空间中运动,通过跟踪个体极值Pbest和群体极值Gbest来更新个体位置。原创 2023-11-26 22:08:40 · 2737 阅读 · 0 评论 -
Dempster-Shafer(D-S)证据理论的基本定义和详细分析,优点,缺点,应用!!(系列1)
Dempster-Shafer(D-S)证据理论是一种不精确推理理论,也称为Dempster/Shafer证据理论,它起源于20世纪60年代的哈佛大学,由数学家A.P. Dempster利用上、下限概率解决多值映射问题。该理论最早应用于专家系统中,具有处理不确定信息的能力。Dempster-Shafer(D-S)证据理论是一种在不精确推理领域非常重要的理论,它提供了一种处理不确定信息的方法,并在许多领域找到了应用。然而,它也存在一些限制和挑战,需要在使用时特别注意。信息融合、决策分析、风险评估等。原创 2023-11-26 11:16:30 · 1622 阅读 · 0 评论 -
t分布95%的置信度,相关系数是多少的问题
t分布,置信区间95%,相关系数究竟是多少呢,让我们一次了解原创 2022-11-15 14:23:04 · 5623 阅读 · 0 评论