- 博客(4)
- 收藏
- 关注
RSS订阅原创 机器学习笔记：（1）基础概念
这里写自定义目录标题欢迎使用Markdown编辑器什么是学习功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Ma
2021-04-16 04:22:24
174
原创 R语言学习笔记：生成随机数
R语言中，可以根据不同的分布生成随机数均匀分布runif(par1)runif(par1, min = par2, max = par3)我们需要输入3个参数：par1：生成随机数的个数par2~par3：均匀分布的区间第一行的语句，只输入一个参数，R默认为服从 [0,1] 区间的均匀分布。比如我们想生成5个服从 [-1,10] 区间均匀分布的随机值，runif(5,min = -1,max = 10)输出结果：[1] 6.5911125 8.3191011 9.607886
2021-03-27 10:32:08
10027
1
原创 Rao-Cramer下界
上一篇文章中，我们讲述了MLE。MLE是一种特殊的参数估计方法。因为它是渐近有效的，它可以渐近地达到极限。这篇文章我们来了解一下Rao-Cramer下界，它表明了所有无偏估计的下界。Rao-Cramer Lower Bound定理 6.2.1：定义 Y=u(X1,X2,...,Xn), E(Y)=E[u(X1,X2,...,Xn)]=K(θ)Y=u(X_1,X_2,...,X_n),\;E(Y)=E[u(X_1,X_2,...,X_n)]=K(\theta)Y=u(X1,X2,...,Xn),
2021-02-17 08:04:46
1034
1
原创 极大似然估计方法
极大似然估计方法极大似然估计是统计学中，估计参数的一种方法。它的本质思想是，如果一个参数能使得这个样本出现的概率最大，那么我们就选择这个参数作为真实参数的估计值。假设我们已知某个随机样本满足某种概率分布，但是并不清楚其中的参数具体为多少。为了估计出这个参数的值，我们进行多次试验，最后根据试验的结果估计出参数的值。接下来，我们对极大似然估计进行理论上的分析。Likelihood Function首先，我们假设 X1,...,XnX_1,...,X_nX1,...,Xn 是独立同分布随机变量，概率
2021-02-10 11:00:16
991
2
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