Questions tagged «monte-carlo»

我对确定从主成分分析（PCA）或经验正交函数（EOF）分析得出的有效模式的数量感兴趣。我对将这种方法应用于气候数据特别感兴趣。数据字段是一个MxN矩阵，其中M是时间维度（例如天），N是空间维度（例如lon / lat位置）。我已经读过一种可能的引导方法来确定重要的PC，但是无法找到更详细的描述。到目前为止，我一直在使用North的经验法则（North 等人，1982）来确定该临界值，但是我想知道是否有更健壮的方法可用。 举个例子： ###Generate data x <- -10:10 y <- -10:10 grd <- expand.grid(x=x, y=y) #3 spatial patterns sp1 <- grd$x^3+grd$y^2 tmp1 <- matrix(sp1, length(x), length(y)) image(x,y,tmp1) sp2 <- grd$x^2+grd$y^2 tmp2 <- matrix(sp2, length(x), length(y)) image(x,y,tmp2) sp3 <- 10*grd$y tmp3 <- matrix(sp3, length(x), length(y)) image(x,y,tmp3) #3 respective temporal …

40 r  pca  bootstrap  monte-carlo 

我想知道是否有人根据数据的特征（观察数等）和/或所包含的变量了解有关应使用的引导程序样本数量的任何一般经验法则？

40 bootstrap  inference  monte-carlo 

我一直在尝试学习MCMC方法，并遇到了Metropolis Hastings，Gibbs，Importance和Rejection采样。尽管其中一些差异是显而易见的，例如，当我们拥有全部条件时，吉布斯是Metropolis Hastings的特例，而其他差异则不那么明显，例如当我们想在Gibbs采样器中使用MH等时，是否有人查看每种方法之间的大部分差异的简单方法？谢谢！

36 mcmc  monte-carlo  gibbs  metropolis-hastings  importance-sampling 

有没有不是蒙特卡洛的模拟方法？所有模拟方法都涉及将随机数代入函数中以找到函数的值范围。那么所有的模拟方法本质上都是蒙特卡洛方法吗？

35 monte-carlo 

我最近一直在研究Monte Carlo模拟，并一直使用它来近似常数，例如（矩形内的圆，比例区域）。ππ\pi 但是，我无法想到使用蒙特卡洛积分来近似估计 [欧拉数] 的值的相应方法。eee 您对如何做到这一点有什么看法吗？

35 simulation  monte-carlo  algorithms  random-generation  numerical-integration 

如何从给定的分布中手动生成一个随机数，例如从标准正态分布中生成10个实现？

30 normal-distribution  simulation  monte-carlo  random-generation  randomness 

我正在尝试学习各种交叉验证方法，主要是打算将其应用于监督的多元分析技术。我遇到的两个是K折和蒙特卡洛交叉验证技术。我读过K折是Monte Carlo的一种变体，但我不确定我是否完全理解组成Monte Carlo的定义。有人可以解释这两种方法之间的区别吗？

29 cross-validation  monte-carlo 

当集成函数或在复杂的仿真中时，我已经看到了蒙特卡洛方法被广泛使用。我问自己为什么不生成点网格来集成函数而不是绘制随机点。那不会带来更准确的结果吗？

25 monte-carlo 

我正在尝试学习强化学习，这个话题确实让我感到困惑。我已经对统计进行了介绍，但是我只是无法直观地理解该主题。

23 variance  simulation  monte-carlo  unbiased-estimator  importance-sampling 

基于我对MCMC（马尔可夫链蒙特卡洛）方法的了解很少，我知道采样是上述技术的关键部分。最常用的采样方法是哈密顿和大都会。 有没有一种方法可以利用机器学习甚至深度学习来构建更有效的MCMC采样器？

21 machine-learning  mcmc  monte-carlo  markov-process 

执行主成分分析（PCA）之后，我想将一个新向量投影到PCA空间上（即在PCA坐标系中找到其坐标）。 我已经使用R计算了R语言的PCA prcomp。现在，我应该可以将向量乘以PCA旋转矩阵。该矩阵中的主要成分应该按行还是按列排列？

21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 

如果是我可以从中模拟的已知密度，即可以使用的密度。并且如果乘积是可积的，是否有通用方法可以使用的模拟器？ķ Π我= 1 ˚F 我（X ）α 我f1,…,fkf1,…,fkf_1,\ldots,f_k˚F 我∏i=1kfi(x)αiα1,…,αk>0∏i=1kfi(x)αiα1,…,αk>0\prod_{i=1}^k f_i(x)^{\alpha_i}\qquad \alpha_1,\ldots,\alpha_k>0fifif_i

20 simulation  monte-carlo  geometric-mean  scalability  finite-mixture-model 

我想一个问题申请MCMC，但我的先验概率（在我的情况下，他们是））被限制在一个区域？我可以使用普通的MCMC并忽略掉在限制区域（在我的情况下是[0,1] ^ 2）之外的样本，即当新的过渡区域超出限制区域时重用过渡函数吗？α∈[0,1],β∈[0,1]α∈[0,1],β∈[0,1]\alpha\in[0,1],\beta\in[0,1]

18 sampling  mcmc  monte-carlo  random-walk 

我想从此处定义的蓝色区域生成样本： 天真的解决方案是在单位平方中使用拒绝采样，但这仅提供（〜21.4％）的效率。1 - π/ 41个-π/41-\pi/4 有什么方法可以更有效地采样吗？

17 probability  sampling  monte-carlo  random-generation 

我对算法的理解如下： 没有掉头采样器（NUTS）是哈密顿蒙特卡罗方法。这意味着它不是马尔可夫链方法，因此该算法避免了通常被认为效率低且收敛缓慢的随机游走部分。 NUTS不会执行随机游走，而是执行长度为x的跳跃。随着算法继续运行，每次跳转都会加倍。这会一直发生，直到轨迹到达要返回起点的点为止。 我的问题：掉头有什么特别之处？如何将轨迹加倍不会跳过优化点？我的上述描述正确吗？

17 bayesian  monte-carlo  markov-process