Questions tagged «prediction»

上下搜索，无法找出与预测相关的AUC代表什么或表示什么。

228 classification  prediction  roc  auc  abbreviation 

由于选举是一次性事件，因此不能重复进行实验。那么“希拉里（Hillary）有75％的获胜机会”这一说法在技术上到底意味着什么？我正在寻找一种统计上正确的定义，而不是一种直观或概念上的定义。 我是一位业余统计爱好者，他试图回答讨论中提出的这个问题。我很确定对此有一个很好的客观回应，但我本人无法提出。

79 probability  prediction  politics 

几年前已经在简历上提出了这个问题，鉴于1）更好的计算技术（例如并行计算，HPC等）和2）更新的技术（例如[3]），似乎值得重新提出。 首先，一些背景。让我们假设目标不是假设检验，不是效果估计，而是对未见检验集的预测。因此，没有赋予任何可解释的利益以重量。其次，假设您不能排除任何预测因素在主题考虑方面的相关性，即 它们看起来单独或与其他预测变量组合似乎都合理。第三，您要面对数以百万计的预测变量。第四，假设您可以无限制地访问AWS，因此计算能力不受限制。 变量选择的常见原因是：1）效率；更快地适合较小的模型，便宜地收集较少的预测变量，2）解释；知道“重要”变量可以深入了解基本过程[1]。 众所周知，许多变量选择方法无效，而且常常是完全危险的（例如，逐步回归）[2]。 其次，如果选择的模型不错，那么根本不需要缩减预测变量的列表。该模型应该为您完成。套索就是一个很好的例子，它为所有不相关的变量分配了零系数。 我知道有些人主张使用“大象”模型，即。将所有可能的预测变量投入拟合并运行[2]。 如果目标是预测准确性，是否有任何根本原因进行变量选择？ [1] Reunanen，J.（2003）。在变量选择方法之间进行比较时过度拟合。机器学习研究杂志，3，1371-1382。 [2] Harrell，F.（2015）。回归建模策略：应用于线性模型，逻辑和序数回归以及生存分析。施普林格。 [3] Taylor，J.和Tibshirani，RJ（2015）。统计学习和选择性推理。美国国家科学院院刊，112（25），7629-7634。 [4] Zhou，J.，Foster，D.，Stine，R。和Ungar，L。（2005年8月）。使用Alpha投资进行流特征选择。在第十一届ACM SIGKDD国际会议上，进行数据挖掘中的知识发现（第384-393页）。ACM。

67 machine-learning  modeling  feature-selection  model-selection  prediction 

我看到这张图片传了很多。 我有种直觉，认为以这种方式提供的信息是不完整的，甚至是错误的，但是我对统计数据并不足够了解。这让我想到了这本xkcd漫画，即使有了可靠的历史数据，某些情况也可以改变事情的预测方式。 所提供的这张图表对准确显示难民的威胁水平有用吗？是否有必要的统计背景或多或少地使此图表有用？ 注意：请尝试使用外行人的术语：)

66 probability  interpretation  prediction 

我正在尝试使用LASSO模型进行预测，并且需要估算标准误差。肯定有人已经编写了一个软件包来执行此操作。但是据我所知，使用LASSO进行预测的CRAN程序包都不会返回这些预测的标准错误。 所以我的问题是：是否有可用的软件包或一些R代码来计算LASSO预测的标准误差？

60 r  standard-error  prediction  lasso 

我是深度学习领域的新手，对我来说，第一步是从deeplearning.net网站阅读有趣的文章。在有关深度学习的论文中，Hinton等人大多谈论将其应用于图像问题。有人可以回答我吗？它可以应用于预测时间序列值（财务，互联网流量等）的问题吗？如果可以的话，我应该重点关注哪些重要事项？

54 time-series  machine-learning  prediction  deep-learning  deep-belief-networks 

我正在执行多变量Cox回归，我有重要的自变量和beta值。该模型非常适合我的数据。 现在，我想使用我的模型并预测新观测值的生存时间。我不清楚如何使用Cox模型执行此操作。在线性或逻辑回归中，这很容易，只需将新观测值放入回归中并将它们乘以beta，就可以预测结果了。 如何确定基线危害？除了计算预测之外，我还需要它。 在Cox模型中如何完成？

38 regression  survival  prediction  cox-model 

我想从lmer（）模型获得围绕预测的预测间隔。我发现了一些有关此的讨论： http://rstudio-pubs-static.s3.amazonaws.com/24365_2803ab8299934e888a60e7b16113f619.html http://glmm.wikidot.com/faq 但他们似乎并未考虑随机效应的不确定性。 这是一个具体的例子。我在比赛金鱼。我有过去100场比赛的数据。考虑到我的RE估算和FE估算的不确定性，我想预测第101位。我包括鱼的随机拦截（有10种不同的鱼）和重量的固定效应（较轻的鱼更快）。 library("lme4") fish <- as.factor(rep(letters[1:10], each=100)) race <- as.factor(rep(900:999, 10)) oz <- round(1 + rnorm(1000)/10, 3) sec <- 9 + rep(1:10, rep(100,10))/10 + oz + rnorm(1000)/10 fishDat <- data.frame(fishID = fish, raceID = race, fishWt = oz, time = sec) head(fishDat) plot(fishDat$fishID, fishDat$time) lme1 <- lmer(time …

37 r  mixed-model  prediction  prediction-interval  lme4-nlme 

我正在阅读“ 统计学习入门 ”。在第二章中，他们讨论了估计函数的原因。Fff 2.1.1为什么估计？Fff 我们可能希望估计f有两个主要原因：预测和推断。我们依次讨论每一个。 我已经读了好几次了，但是我仍然对预测和推理之间的区别还不清楚。有人可以提供差异的（实际）示例吗？

37 prediction  terminology  causality 

在《统计学习入门》的第223页中，作者总结了岭回归和套索之间的区别。他们提供了一个示例（图6.9），其中“套索在偏见，方差和MSE方面倾向于胜过岭回归”。 我知道为什么套索是可取的：因为它会将许多系数缩小到0，所以结果很稀疏，从而导致模型简单易懂。但是我不明白当仅对预测感兴趣时，它如何能胜过岭（即，在示例中，它如何获得显着更低的MSE？）。 使用ridge时，如果许多预测变量对响应几乎没有影响（少数预测变量产生很大影响），它们的系数不会简单地缩小到非常接近零的小数目...导致与套索非常相似？那么，为什么最终模型的性能会比套索差？

35 machine-learning  prediction  lasso  regularization  ridge-regression 

我对使用逻辑回归有些陌生，并且对以下值的解释之间的差异有些困惑，我认为这是相同的： 指数贝塔值 使用beta值预测结果的可能性。 这是我使用的模型的简化版本，营养不足和保险都是二进制的，财富是连续的： Under.Nutrition ~ insurance + wealth 我的（实际）模型返回的保险指数值为0.8，我将其解释为： “被保险人营养不足的概率是未保险人营养不足的概率的0.8倍。” 但是，当我通过将0和1的值分别输入保险变量和财富平均值来计算个人的概率差异时，营养不足的差异仅为0.04。计算公式如下： Probability Undernourished = exp(β0 + β1*Insurance + β2*Wealth) / (1+exp(β0 + β1*Insurance + β2*wealth)) 如果有人可以解释为什么这些值不同，以及什么是更好的解释（尤其是第二个值），我将不胜感激。 进一步的澄清编辑 据我了解，未投保的人（其中B1对应于保险）营养不足的可能性为： Prob(Unins) = exp(β0 + β1*0 + β2*Wealth) / (1+exp(β0 + β1*0+ β2*wealth)) 虽然被保险人营养不足的可能性是： Prob(Ins)= exp(β0 + β1*1 + β2*Wealth) / (1+exp(β0 …

29 regression  logistic  interpretation  prediction  odds-ratio 

我正在使用插入符号在数据集上运行交叉验证的随机森林。Y变量是一个因素。我的数据集中没有NaN，Inf或NA。但是，当运行随机森林时，我得到 Error in randomForest.default(m, y, ...) : NA/NaN/Inf in foreign function call (arg 1) In addition: There were 28 warnings (use warnings() to see them) Warning messages: 1: In data.matrix(x) : NAs introduced by coercion 2: In data.matrix(x) : NAs introduced by coercion 3: In data.matrix(x) : NAs introduced by …

29 r  random-forest  caret  regression  prediction  fitting  social-science  poisson-distribution  distributions  characteristic-function  bayesian  prior  regression  normal-distribution  interaction  nonparametric  skewness  svm  standard-deviation  standard-error  regression-coefficients  igraph  natural-language  word2vec  word-embeddings  regression  machine-learning  sampling  r  regression  machine-learning  random-forest  ensemble  sampling  unbiased-estimator  proof  estimators  mse  probability  conditional-probability  bayes  anova  missing-data  neural-networks  recommender-system  r  confidence-interval  sample  multiple-imputation  r  time-series  forecasting  mase 

我正在使用混淆矩阵来检查分类器的性能。 我正在使用Scikit-Learn，我有点困惑。我如何解释结果 from sklearn.metrics import confusion_matrix >>> y_true = [2, 0, 2, 2, 0, 1] >>> y_pred = [0, 0, 2, 2, 0, 2] >>> confusion_matrix(y_true, y_pred) array([[2, 0, 0], [0, 0, 1], [1, 0, 2]]) 我该如何判断这个预测值是好还是不好。

24 predictive-models  prediction  confusion-matrix 

均方误差（MSE）和均方预测误差（MSPE）之间的语义区别是什么？

23 regression  estimation  interpretation  error  prediction 

在贝叶斯推断中，通过整合未知参数可以得出未来数据的预测分布。对这些参数的后验分布进行积分可得出后验预测分布，即以已观察到的条件为前提的未来数据的分布。有哪些非贝叶斯预测推理方法考虑了参数估计中的不确定性（即，不仅将最大似然估计或其他任何东西都插入了密度函数中）？ 每个人都知道如何在线性回归后计算预测间隔，但是计算背后的原理是什么以及如何将它们应用在其他情况下（例如，从数据中估算出速率参数后为新的指数变量计算确切的预测间隔）？

22 prediction  inference  prediction-interval