- 博客(14)
- 收藏
- 关注
RSS订阅原创 EM算法
EM算法（期望最大化算法）：常用的聚类算法。 对于带标签数据，我们可以用最大似然估计求的每类数据的分布参数（假设已知分布），但对于混合在一起的无标签数据（如混合高斯模型）， 由于不知道每个数据的类别，也就无法使用极大似然估计的方法。 这时我们可以使用EM算法来解决这个问题，假设数据来自r个类别{z(1),z(2),z(3),......z(r)}。则 （
2015-02-01 20:08:10
344
原创 模型选择与特征选择
模型选择： 对备选的m个模型（A1，A2，A3，......Am），分别计算每个模型的误差（可以用所有样本训练误差或者K重交叉检验（k一般取10，k越大对数据的利用率越高） 得到的误差，总之用一种手段评判模型的好坏），然后选择其中最好的一个。特征选择： （1）前向搜
2015-01-28 17:32:43
508
原创 异常数据检测
异常数据检测，和噪声的去除在数据的分析与处理（如计算均值，分类，聚类等）中是非常重要的一步。原始数据若不进行异常点的剔除与去噪，则可能严重影响算法的结果。
2015-01-27 21:59:30
523
原创 条件数
条件数cond()：矩阵的范数与矩阵的逆的范数是乘积；在方程 AX=b；中，若A的条件数比较大，则b的微小差异就可导致解X的很大变化，数值稳定性差（条件数反应了对误差的放大程度，条件数越小越好）。因此，对于条件数较大的线性方程组，不易直接求解X。
2015-01-19 17:38:25
818
原创 线性回归与复相关系数
线性回归分析与复相关系数。复相关：反应一个变量与一个向量的线性相关性强弱即的量。线性回归：反应一个变量与一个向量的关系。复相关，不要求变量与向量的分量之间有因果关系。线性回归，一般则要求变量与向量之间存在一定的因果关系。
2015-01-19 16:13:53
2102
原创 回归分析
回归分析：做完线性回归分析后还要检验回归方程的显著性。（即判断自变量和因变量之间是否真的存在因果关系，相当于检验参数贝塔是否为零向量。 还要检验，自变量的每个分量是否和因变量间存在因果关系，相当于
2015-01-19 16:00:16
719
原创 非参数检验
非参数检验的主要问题：（1）拟合优度检验（检验样本是否服从指定的分布类型和分布参数确定的分布）。 （2）分布一致性检验（又称齐次性检验）（检验两组样本是否来自同一总体，即两组样本的分布函数和分布参数是否相同）。 （3）独立性检验（检验多
2015-01-19 14:50:09
1718
原创 假设检验
假设检验：（1）提出原假设和备择假设 （2）构造检验统计量，并确定检验统计量的分布 （3）确定在给定置信度下，统计量的取值范围。 （3）由样本计算统计量的值，并与
2015-01-19 13:22:29
608
原创 参数估计
参数估计：在已知分布函数的情况下，估计函数中的待定参数。参数估计分为：点估计和区间估计。点估计方法主要有：矩估计和极大似然估计。极大似然估计：把参数当成已知量用字母表示，求出每个样本发生的概率，令似然函数为各个样本概率的乘积， 求出似然函数取最大值时对应的参数值（此参数即为参数的最大似然估计，求最大值时一般求似
2015-01-18 22:02:35
437
原创 典型相关分析
相关系数：描述两个随机变量间的线性相关性强弱的指标；复（全）相关系数：描述一个随机变量和一个随机向量间线性相关性强弱的指标； （将随机向量的各维进行线性组合得到一个随机变量，求两个随机变量间的相关系数， 取所有组合中相关系数的最大值，作为变量与向量的复（全）相
2015-01-18 21:05:57
831
原创 主成分分析
主成分分析（PCA）：分析一个随机向量的中的主成分（主成分一般不是随机向量中的某一个分量，而是不同分量的线性组合，根据信息论的观点， 信息的多少与方差有关， 所以 主成分是方差最大的几个成分）。 主成分分析的方法是求随机向量的协方差矩阵（用样本协方差
2015-01-18 20:24:46
1055
原创 数据库概要
关系模式 关系关系实例E-R图实体集（弱实体集，强实体集），联系集，属性集，（主码，候选码，超码），概括，特殊化，聚集（将实体集与属性及实体集的联系作为一个实体集），关系模型选择，投影，命名，（并，交，差），笛卡尔积，模式分解：（1）无损连接（无信息丢失，适当的信息冗余），（2）保持所有函数依赖（Armstrong公理），（3）分解后的模式最好
2015-01-18 20:24:11
393
原创 方差分析
方差分析：（1）假定样本独立同分布 （2）假定误差差服从均值为零的正态分布 （3）假定各类别的变量方差相同 分析两组变量之间是否具有相同的均值。
2015-01-18 20:23:17
824
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人