Questions tagged «model»

ESL第2.4章似乎将线性回归归类为“基于模型”，因为它假设，而k最近邻没有类似的近似值。但是，不是两种方法都假设吗？f(x)≈x⋅βf(x)≈x⋅βf(x) \approx x\cdot\betaf(x)f(x)f(x) 后来在2.4中甚至说： 最小二乘假设由全局线性函数很好地近似。f(x)f(x)f(x) k个近邻假设由局部常数函数很好地近似。f(x)f(x)f(x) KNN假设似乎也可以形式化（尽管不确定这样做是否会以假设为线性导致线性回归的方式导致 KNN算法）。fff 那么，如果KNN实际上不是基于模型的，那为什么呢？还是我误读了ESL？

10 machine-learning  model  k-nearest-neighbour 

我有一个包含三个变量的数据集，其中所有变量都是定量的。让我们将其称为，和。我通过MCMC在贝叶斯角度拟合回归模型yyyx1x1x_1x2x2x_2rjags 我进行了探索性分析，的散点图建议应使用二次项。然后我装了两个模型y×x2y×x2y\times x_2 （1）y=β0+β1∗x1+β2∗x2y=β0+β1∗x1+β2∗x2y=\beta_0+\beta_1*x_1+\beta_2*x_2 （2）y=β0+β1∗x1+β2∗x2+β3∗x1x2+β4∗x21+β5∗x22y=β0+β1∗x1+β2∗x2+β3∗x1x2+β4∗x12+β5∗x22y=\beta_0+\beta_1*x1+\beta_2*x_2+\beta_3*x_1x_2+\beta_4*x_1^2+\beta_5*x_2^2 在模型1中，每个参数的效果大小都不小，并且95％可信区间的值不为。000 在模型2中，参数和的效果大小较小，并且所有参数的可信区间均包含。β3β3\beta_3β4β4\beta_4000 可信区间包含的事实足以说明该参数不重要吗？000 然后我调整了以下模型 （3）y=β0+β1∗x1+β2∗x2+β3∗x22y=β0+β1∗x1+β2∗x2+β3∗x22y=\beta_0+\beta_1*x_1+\beta_2*x_2+\beta_3*x^2_2 每个参数的效果大小都不小，但是除外，所有可信区间都包含。 0β1β1\beta_1000 在贝叶斯统计中进行变量选择的正确方法是哪种？ 编辑：我可以在任何回归模型（如Beta模型）中使用套索吗？我使用的是变量分散的模型，其中 其中是向量。我也应该在使用Laplace 吗？δlog(σ)=−δδXlog(σ)=−δδXlog(\sigma)=-\pmb{\delta}Xδδδδδ\pmb{\delta}δδδδ\pmb{\delta} EDIT2：我安装了两个模型，一个模型具有针对，高斯先验模型，另一种具有Laplace（double-exponential）模型。δ Ĵβjβj\beta_jδjδj\delta_j 高斯模型的估计是 Mean SD Naive SE Time-series SE B[1] -1.17767 0.07112 0.0007497 0.0007498 B[2] -0.15624 0.03916 0.0004128 0.0004249 B[3] 0.15600 0.05500 0.0005797 0.0005889 B[4] 0.07682 0.04720 0.0004975 0.0005209 delta[1] -3.42286 0.32934 0.0034715 0.0034712 …

9 bayesian  feature-selection  model-selection  model  credible-interval 

嗨，我在R的输出屏幕中难以理解Ref.df： Approximate significance of smooth terms: edf Ref.df F p-value s(meangrain) 1.779 2.209 3.193 0.0451 * s(depth) 2.108 2.697 3.538 0.0254 * 这是什么意思，有必要在论文中包括此术语以表示GAM的结果吗？它给我们提供预测所需的信息吗？

9 model  gam  degrees-of-freedom 

我正在查看丰度是否与大小有关。大小（当然）是连续的，但是，以这样的规模记录了丰度： A = 0-10 B = 11-25 C = 26-50 D = 51-100 E = 101-250 F = 251-500 G = 501-1000 H = 1001-2500 I = 2501-5000 J = 5001-10,000 etc... A至Q ... 17级。我在想一种可能的方法是给每个字母分配一个数字：最小，最大或中位数（即A = 5，B = 18，C = 38，D = 75.5 ...）。 潜在的陷阱是什么？因此，将这些数据视为分类会更好吗？ 我已经阅读了这个问题，提供了一些想法-但此数据集的关键之一是类别不均匀-因此将其视为类别将假定A和B之间的差异与A之间的差异相同B和C ...（可以通过使用对数进行纠正-感谢Anonymouse） 最终，在考虑其他环境因素之后，我想看看是否可以将大小用作丰度的预测指标。预测也将在一个范围内：给定大小X以及因子A，B和C，我们预测丰度Y会介于最小和最大之间（我想这可能跨越一个或多个尺度点：大于最小D而小于最大F ...虽然越精确越好）。

9 categorical-data  variance  model  continuous-data