![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数理统计
文章平均质量分 76
weixin_40293999
前几年web后端,后来AI深度学习,会一些运维。 AI聚焦于CV领域,熟悉nlp
展开
-
【频率派和贝叶斯派】进阶学习-贝叶斯方法原理、基本结构、代码构建+图模型
频率派与贝叶斯派各自不同的思考方式:1.频率派把需要推断的参数θ看做是固定的未知数,既概率虽然是未知的,但最起码是确定的一个值,同时,样本X是随机的,所以频率派重点研究样本空间,大部分概率计算都是针对样本空间X的分布;2.贝叶斯派的观点是相反的,他们认为参数θ是随机变量,而样本X是固定的,由于样本是固定的,所以他们研究的是参数θ的分布。贝叶斯派既然把θ看做是一个随机变量,所以要计算θ的分布,使得事先知道θ的无条件分布,既在有样本之前(或观察到X之前),θ有着怎样的分布、原创 2023-08-06 16:53:05 · 258 阅读 · 0 评论 -
统计学习--三种常见的相关系数
3、 Pearson积差相关系数要求相应的变量呈双变量正态分布,注意双变量正态分布并非简单的要求x变量和y变量各自服从正态分布,而是要求服从一个联合的双变量正态分布。当τ为0时,表示两个随机变量是相互独立的。2)Spearman相关系数和kendall相关系数都是建立在秩和观测值的相对大小的基础上得到,是一种更为一般性的非参数方法,对离群值的敏感度较低,因而也更具有耐受性,度量的主要是变量之间的联系。实际应用中,变量间的连结是无关紧要的,于是可以通过简单的步骤计算ρ.被观测的两个变量的等级的差值,则ρ为。原创 2023-03-08 12:06:57 · 3076 阅读 · 0 评论