Sabemos que si , entonces donde es la función Digamma ¿Hay una forma fácil para ?p∼Beta(α,β)p∼Beta(α,β)p \sim Beta(\alpha, \beta)E[lnp]=ψ(α)−ψ(α+β)E[lnp]=ψ(α)−ψ(α+β) \mathbb{E}[\ln p] = \psi(\alpha) - \psi(\alpha + \beta) ψ(.)ψ(.)\psi(.)E[ln(1−p)]E[ln(1−p)] \mathbb{E}[\ln...
Solo por diversión, quiero registrar mi consumo mensual de energía doméstica año tras año. Sin embargo, deseo incluir alguna referencia a la temperatura mensual para poder determinar si mi hogar o comportamiento está mejorando, empeorando o manteniéndose estable con respecto al uso de kWh. Los...
Dado casos con cáncer de pulmón y controles pareados (sin cáncer de pulmón) (emparejamiento basado en edad, sexo, etc.). Para tratar de encontrar evidencia entre el efecto de fumar en el cáncer de pulmón, utilicé la prueba exacta de Fisher en la tabla de contingencia. Sin embargo, esto no tuvo en...
Este artículo afirma que en CART, debido a que se realiza una división binaria en una sola covariable en cada paso, todas las divisiones son ortogonales y, por lo tanto, no se consideran las interacciones entre covariables. Sin embargo, muchas referencias muy serias afirman, por el contrario, que...
Tengo un conjunto de datos con variable continua y una variable objetivo binaria (0 y 1). Necesito discretizar las variables continuas (para la regresión logística) con respecto a la variable objetivo y con la restricción de que la frecuencia de observación en cada intervalo debe estar...
Quiero aprender (deducir) los pesos de los atributos para mi medida de disimilitud que puedo usar para la agrupación. Tengo algunos ejemplos de pares de objetos que son "similares" (deben estar en el mismo grupo), así como algunos ejemplos ( c i , d i ) de pares de objetos que "no son similares"...
En Random Forest, cada árbol se cultiva en paralelo en una muestra boostrap única de los datos. Debido a que se espera que cada muestra de boostrap contenga aproximadamente el 63% de las observaciones únicas, esto deja aproximadamente el 37% de las observaciones, que se pueden usar para probar el...
Tengo algunos modelos predictivos cuyo rendimiento me gustaría probar (es decir, tomar mi conjunto de datos, "rebobinarlo" a un punto anterior en el tiempo y ver cómo el modelo hubiera funcionado de manera prospectiva). El problema es que algunos de mis modelos se construyeron a través de un...
Tengo dos cadenas de Markov diferentes, cada una con un estado absorbente y una posición inicial conocida. Quiero determinar la probabilidad de que la cadena 1 alcance un estado absorbente en menos pasos que la cadena 2. Creo que puedo calcular la probabilidad de alcanzar un estado de absorción en...
Estoy tratando con un problema relacionado con encontrar el gradiente de la función de pérdida de entropía cruzada wrt el parámetro donde:θθ\theta CE(θ)=−∑iyi∗log(y^i)CE(θ)=−∑iyi∗log(y^i)CE(\theta) = -\sum\nolimits_{i}{y_i*log({\hat{y}_{i}})} Donde, y es una entrada...
En el aprendizaje por refuerzo, tenemos una función de recompensa que informa al agente qué tan bien están funcionando sus acciones y estados actuales. En una configuración general, la función de recompensa es una función de tres variables: Estado actual SSS Acción actual en el estado actual...
Preguntas: ¿Cuál es la diferencia (s) entre los árboles de regresión potenciados (BRT) y los modelos potenciados generalizados (GBM)? ¿Se pueden usar indistintamente? ¿Es una una forma específica de la otra? ¿Por qué Ridgeway usó la frase "Modelos de regresión aumentada generalizada" (GBM) para...
Mi pregunta es sobre el clasificador vecino más cercano y sobre una declaración hecha en el excelente libro The Elements of Statistical Learning, de Hastie, Tibshirani y Friedman. La declaración es (p. 465, sección 13.3): "Debido a que usa solo el punto de entrenamiento más cercano al punto de...
¿Cómo debo entender el anovaresultado al comparar dos modelos? Ejemplo: Res.Df RSS Df Sum of Sq F Pr(>F) 1 9 54.032 2 7 4.632 2 49.4 37.329 0.0001844 *** La página de manual dice: "Calcular las tablas de análisis de varianza (o desviación) para uno o más objetos de modelo ajustados". Sin...
¿No resulta en un ajuste excesivo? ¿Serían mis resultados más confiables si agregara un procedimiento de cuchillo de arranque o arranque como parte del
La suposición UNAA\mathbf A es una matriz de datos centrados en la media. La matriz S =cov( A )S=cov(A)\mathbf S=\text{cov}(\mathbf A) es m × mm×mm\times m , tiene metromm valores propios distintos y vectores propios s1s1\mathbf s_1 , s2s2\mathbf s_2 ... smetrosm\mathbf s_m , que son...
Usando la prueba T de Student, T-Critical se calcula mediante: t =X¯-μ0 0s /norte√t=X¯−μ0s/nt = \frac{\bar{X} - \mu_{0}}{s / \sqrt{n}} Mirando el artículo de Wikipedia sobre la Estimación imparcial de la desviación estándar, hay una sección Resultado para la Distribución normal que menciona un...
De acuerdo con la documentación del objeto StandardScaler en scikit-learn: Por ejemplo, muchos elementos utilizados en la función objetivo de un algoritmo de aprendizaje (como el núcleo RBF de Support Vector Machines o los regularizadores L1 y L2 de modelos lineales) suponen que todas las...
El siguiente teorema proviene de la séptima edición de " Introducción a la estadística matemática " de Hogg, Craig y Mckean y se refiere a la condición necesaria y suficiente para la independencia de dos formas cuadráticas de variables normales. Este es un extracto bastante largo, pero agradecería...
Ahora mismo estoy aprendiendo sobre teoría de modelos lineales, y una cosa que me sorprende es que, aunque E[Y]E[Y]\mathbb{E}[\mathbf{Y}] se define para un vector aleatorio Y=⎡⎣⎢⎢⎢⎢y1y2⋮yn⎤⎦⎥⎥⎥⎥Y=[y1y2⋮yn]\mathbf{Y} = \begin{bmatrix} y_1 \\ y_2 \\ \vdots \\ y_n\end{bmatrix}, no se mencionan más...