Questions tagged «binary-data»

我想测量二维二进制矩阵的熵/信息密度/图案相似度。让我显示一些图片以供说明： 此显示应具有较高的熵： 一种） 这应该具有中等熵： B） 最后，这些图片应该都具有接近零的熵： C） D） E） 是否有一些捕获熵的索引，分别。这些显示的“样式”？ 当然，每种算法（例如，压缩算法；或ttnphns提出的旋转算法）都对显示器的其他功能敏感。我正在寻找一种尝试捕获以下属性的算法： 旋转和轴向对称 聚类量 重复次数 也许更复杂，算法可能对心理的“ 格式塔原理 ”的属性敏感，尤其是： 接近定律： 对称定律：即使距离很远，对称图像也可以集体感知： 具有这些属性的显示应被赋予“低熵值”；具有相当随机/非结构化点的显示应该被分配一个“高熵值”。 我知道，很可能没有一种算法可以捕获所有这些功能。因此，也非常欢迎提出仅针对某些功能甚至仅针对单个功能的算法的建议。 特别是，我正在寻找具体的，现有的算法或特定的，可实现的想法（我将根据这些标准来授予赏金）。

53 algorithms  binary-data  entropy  pattern-recognition  information 

我有一个数据集（功能，二进制输出0或1），但是1很少发生，因此只要始终预测0，我就可以得到70％到90％的准确度（取决于我查看的特定数据） ）。机器学习方法给我的精度差不多，我觉得在这种情况下应该有一些标准方法可以应用，这将在明显的预测规则上提高准确性。

52 machine-learning  classification  binary-data  unbalanced-classes 

我有一个关于分类的问题。令f为一个分类器，在给定一些数据D的情况下输出一组概率。通常，人们会说：好吧，如果P（c | D）> 0.5，我们将分配一个类1，否则将分配一个0（将其设为二进制）分类）。 我的问题是，如果我发现，如果我将概率也大于1，即0.2，则分类器的性能会更好。在进行分类时使用此新阈值是否合法？ 我将解释在数据发出较小信号的情况下降低分类界限的必要性；但对于分类问题仍然很重要。 我意识到这是一种实现方法，但是如果这不是正确的想法，那将是什么数据转换，它们以类似的方式强调各个特征，因此阈值可以保持在0.5？

49 machine-learning  classification  binary-data  threshold 

有两个布尔向量，仅包含0和1。如果我计算皮尔森或斯皮尔曼相关性，它们是有意义的还是合理的？

42 correlation  binary-data  pearson-r  spearman-rho 

我想降低高阶系统的维数，并捕获最好在2维或1维场上的大多数协方差。我了解这可以通过主成分分析来完成，并且我在许多情况下都使用了PCA。但是，我从未将其与布尔数据类型一起使用，并且我想知道使用此集合进行PCA是否有意义。因此，例如，假设我有定性或描述性指标，并且如果该指标对该维度有效，那么我将分配“ 1”，否则将分配“ 0”（二进制数据）。因此，例如，假设您要比较《白雪公主》中的七个小矮人。我们有： Doc，Dopey，Bashful，Grumpy，Sneezy，Sleepy和Happy，您想根据自己的特质来安排它们，方法如下： ⎛⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜d Ø Çd ø p ë ÿ乙一个小号ħ ˚Fü 升ģ ř ü 米p ÿ小号ñ Ë É žÿ小号升Ë È p ÿH一个p p ÿ大号一个ç 吨ö 小号Ë 我 Ñ 吨ø 升é ř 一个Ñ 吨1个01个1个01个1个一^ h ø Ñ ø - [R [R ö 升升 0001个1个01个甲吨ħ 升é 吨我Ç1个01个1个1个00w ^Ë 一升吨ħ ÿ1个01个1个000⎞⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟(Lactose IntolerantA …

38 pca  data-visualization  binary-data  dimensionality-reduction  correspondence-analysis 

我有一个包含大量“是/否”响应的数据集。可予使用这种类型的数据的主成分（PCA）或任何其他数据缩减分析（如因子分析）？请告知我如何使用SPSS进行此操作。

29 spss  categorical-data  pca  factor-analysis  binary-data 

我已经完成了主成分分析（PCA），探索性因素分析（EFA）和确认性因素分析（CFA），并用李克特量表（5级答复：无，有，有..）将数据视为连续数据。变量。然后，使用Lavaan，我重复了CFA，将变量定义为分类变量。 我想知道当数据本质上是序数时，什么类型的分析适用于PCA和EFA？而当二进制。 我也将对可以轻松实现此类分析的特定软件包或软件提出建议。

28 pca  factor-analysis  ordinal-data  binary-data  likert 

我需要在k均值中使用二进制变量（值0和1）。但是k均值仅适用于连续变量。我知道有些人仍然在k均值中使用这些二进制变量，而忽略了k均值仅用于连续变量的事实。这对我来说是不可接受的。 问题： 那么在k均值/层次聚类中使用二进制变量的统计/数学正确方法是什么？ 如何在SAS / R中实施解决方案？

27 r  clustering  binary-data  k-means  mixed-type-data 

我了解数据分析编码的逻辑。我的以下问题是关于特定代码的使用。 为什么性别经常被编码为女性0和男性1？ 为什么将此编码视为“标准”？ 将其与Female = 1和Male = 2进行比较。此编码是否存在问题？

25 data-transformation  binary-data  categorical-encoding  units 

我有一个具有一组功能的数据集。其中一些是二进制的活动或已发射，非活动或处于休眠状态），其余为实际值，例如。0 = 4564.342（1 =（1个=(1=0 =0=0=4564.3424564.3424564.342 我想这个数据馈送到机器学习算法，所以我 -score所有的实值的功能。我大约在到之间。现在二进制值也为得分，因此零变为而其变为。3 − 2 z − 0.222 0.5555žžz333− 2-2-2žžz− 0.222-0.222-0.2220.55550.55550.5555 这样标准化二进制变量有意义吗？

25 machine-learning  normalization  binary-data 

假设我有一个预测模型，该模型为每种情况下产生每个类别的概率。现在，我认识到，如果我想使用这些概率进行分类（精确度，召回率等），则有很多方法可以评估这种模型。我也认识到，ROC曲线及其下的区域可用于确定模型在各类之间的区分程度。这些不是我要问的。 我有兴趣评估模型的校准。 我知道，一个评分规则，如布来得分可以完成这个任务非常有用。没关系，我可能会沿这条线合并一些内容，但是我不确定这样的指标对外行人有多直观。我正在寻找更直观的东西。我希望解释结果的人能够看到模型预测某事发生的概率是70％的可能性是它会在约70％的时间实际发生，等等。 我听说过（但从未使用过）QQ图，起初我以为这是我想要的。但是，看来这确实是为了比较两个概率分布。那不是我直接拥有的。对于一堆实例，我有我的预测概率，然后是事件是否实际发生： Index P(Heads) Actual Result 1 .4 Heads 2 .3 Tails 3 .7 Heads 4 .65 Tails ... ... ... 那么QQ情节真的是我想要的，还是我在寻找其他东西？如果我应该使用QQ图，将数据转换为概率分布的正确方法是什么？ 我想我可以按预测的概率对两列进行排序，然后创建一些垃圾箱。这是我应该做的事情，还是我想念某个地方？我熟悉各种离散化技术，但是有没有一种具体的方法可以将离散化到这种情况下的垃圾箱中？

23 data-visualization  classification  predictive-models  binary-data  calibration 

我想生成两个变量。一个是二元结果变量（例如成功/失败），另一个是年龄。我希望年龄与成功成正比。例如，较高年龄段的成功应该比较低年龄段的成功更多。理想情况下，我应该能够控制相关程度。我怎么做？ 谢谢

23 correlation  random-variable  random-generation  binary-data 

我有一个尺寸为250k x 100 的二进制特征的半小矩阵。每行是一个用户，列是某些用户行为的二进制“标签”，例如“ likes_cats”。 user 1 2 3 4 5 ... ------------------------- A 1 0 1 0 1 B 0 1 0 1 0 C 1 0 0 1 0 我想让用户适合5-10个集群，并分析负载以查看是否可以解释用户行为组。似乎有很多方法可以在二元数据上拟合聚类-我们认为什么是此数据的最佳策略？ PCA 制作Jaccard相似度矩阵，拟合层次集群，然后使用顶部的“节点”。 K中位数 K-类固醇 前肢？ 艾格尼丝 到目前为止，我在使用分层群集方面取得了一些成功，但是我真的不确定这是最好的方法。 tags = read.csv("~/tags.csv") d = dist(tags, method = "binary") hc = …

22 r  clustering  binary-data 

从《统计科学百科全书》中，我了解到，给定二分（二进制：1 =存在； 0 =不存在）属性（变量），我们可以为样本的任意两个对象i和j形成列联表：ppp j 1 0 ------- 1 | a | b | i ------- 0 | c | d | ------- a = number of variables on which both objects i and j are 1 b = number of variables where object i is 1 and j is …

20 binary-data  similarities  association-measure 

我正在通过caretR中的程序包尝试使用梯度增强机算法。 使用一个小的大学录取数据集，我运行了以下代码： library(caret) ### Load admissions dataset. ### mydata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv") ### Create yes/no levels for admission. ### mydata$admit_factor[mydata$admit==0] <- "no" mydata$admit_factor[mydata$admit==1] <- "yes" ### Gradient boosting machine algorithm. ### set.seed(123) fitControl <- trainControl(method = 'cv', number = 5, summaryFunction=defaultSummary) grid <- expand.grid(n.trees = seq(5000,1000000,5000), interaction.depth = 2, shrinkage = …

15 machine-learning  caret  boosting  gbm  hypothesis-testing  t-test  panel-data  psychometrics  intraclass-correlation  generalized-linear-model  categorical-data  binomial  model  intercept  causality  cross-correlation  distributions  ranks  p-value  z-test  sign-test  time-series  references  terminology  cross-correlation  definition  probability  distributions  beta-distribution  inverse-gamma  missing-data  paired-comparisons  paired-data  clustered-standard-errors  cluster-sample  time-series  arima  logistic  binary-data  odds-ratio  medicine  hypothesis-testing  wilcoxon-mann-whitney  unsupervised-learning  hierarchical-clustering  neural-networks  train  clustering  k-means  regression  ordinal-data  change-scores  machine-learning  experiment-design  roc  precision-recall  auc  stata  multilevel-analysis  regression  fitting  nonlinear  jmp  r  data-visualization  gam  gamm4  r  lme4-nlme  many-categories  regression  causality  instrumental-variables  endogeneity  controlling-for-a-variable