统计建模
统计建模
一、线性回归 回归 regression，通常指那些用一个或多个预测变量，也称自变量或解释变量，来预测响应变量，也称为因变量、效标变量或结果变量的方法。 回归分析的各种变体#简单线性回归 rm(list = ls()) women plot(women) plot(women$height,women$weight,type = 'l') fit
日期 2023-06-12 10:48:40【2023新书】贝叶斯统计建模：使用Stan、R和Python
来源：专知本文为书籍介绍，建议阅读5分钟本书介绍了如何使用Stan进行贝叶斯统计建模，它已经成为最流行的概率编程语言。复制本书介绍了如何使用Stan进行贝叶斯统计建模，它已经成为最流行的概率编程语言。这本书分为四部分。第一部分回顾了建模和贝叶斯推理的理论背景，提出了一个建模工作流，使建模更工程而不是艺术。第二部分从一开始就讨论了Stan、CmdStanR和CmdStanPy的使用，然后讨论了基本的
日期 2023-06-12 10:48:40
【硬核书】统计建模与计算
来源：专知本文为书籍介绍，建议阅读5分钟统计建模和计算从经典和贝叶斯的角度提供了对现代统计学的独特介绍。复制这本关于统计建模和统计推断的教科书将帮助高级本科生和研究生。统计建模和计算从经典和贝叶斯的角度提供了对现代统计学的独特介绍。它还提供了数学统计学和现代统计计算的综合处理，强调统计建模，计算技术和应用。这三个部分的每一部分都将涵盖大学课程的基本主题。第一部分介绍概率论的基本原理。在第二部分中，
日期 2023-06-12 10:48:40
TKDE21 | 网络社团发现新综述：从统计建模到深度学习
机器之心专栏机器之心编辑部美国物理学会院士 Barabasi 教授在其 2012 年发表于 Nature Physics 的文章中指出：「21 世纪将是网络理论的世纪，它正在形成的理论和算法框架将成为许多研究与应用领域的新的驱动力。」大量研究显示，复杂网络普遍具有一些显著的统计特性，比如小世界效应、无标度分布、网络弹性等。尤其是，Girvan 和 Newman 发现了复杂网络的另一个重要统计特性—
日期 2023-06-12 10:48:40
Algorithm：数学建模大赛(CUMCM/NPMCM)之全国大学生数学建模竞赛历年考察知识点统计可视化分析、论文评阅标准参考、国内外CUMCM数学建模类参考文献论文集合之详细攻略
Algorithm：数学建模大赛(CUMCM/NPMCM)之全国大学生数学建模竞赛历年考察知识点统计可视化分析、论文评阅标准参考、国内外CUMCM数学建模类参考文献论文集合之详细攻略 目录 全国大学生数学建模竞赛历年赛题基本解法和特点 1、历年考察知识点数据来源 2、对历年考察知识点进行可视化数据分析 论文评阅标准参考
日期 2023-06-12 10:48:40
【数学建模】10 统计建模方法介绍及建模注意点总结
目录 1 统计建模简介2 统计建模过程3 统计模型3.1 来源3.2 分类 4 注意点4.1 建模首先必须是问题驱动4.2 六个避免4.3 数据预处理4.4 寻找适合的模型 1 统计建模简
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一2.2 曲奇饼问题
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第2章，第2.2节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 2.2 曲奇饼问题 在贝叶斯定理的语境下，可以很自然地使用一个Pmf映射每个假设和对应的概率。 在曲奇饼问题里面，该假设是B1和B2。在Python中可以使用字符串来表示它们： pmf = Pmf()
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一2.3 贝叶斯框架
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第2章，第2.3节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 2.3 贝叶斯框架 在继续讨论其他的问题前，我想在上一节的基础上重写代码以使其更通用。首先我将定义一个类来封装与此相关的代码 ： class Cookie(Pmf)： def __init__(self
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一2.4 Monty Hall难题
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第2章，第2.4节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 2.4 Monty Hall难题 为了解决蒙蒂大厅（Monty Hall）问题，我将定义一个新的类： class monty(Pmf)： def __init__(self，hypos)： Pmf._
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一2.5 封装框架
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第2章，第2.5节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 2.5 封装框架 现在，我们看看框架的哪些元素是相同的，这样我们就可以把它们封装进一个Suite对象，即一个提供__init__，Update和Print方法的pmf对象： class Suite(Pmf)
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一2.6 M&M豆问题
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第2章，第2.6节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 2.6 M M豆问题 我们可以使用Suite框架来解决M M豆的问题。除了编写Likelihood有点棘手，其他一切都很简单。 首先，需要对1995年之前和之后的颜色混合情况进行封装： mix94=dict
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一2.7 讨论
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第2章，第2.7节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 2.7 讨论 本章介绍了Suite类，它封装了贝叶斯update框架。 Suite是一个抽象类（abstract type），这意味着它定义了Suite应该有的接口，但并不提供完整的实现。Suite接口包括U
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一2.8 练习
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第2章，第2.8节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 2.8 练习 练习2-1。 在第11页的“贝叶斯框架”里面，我提到了曲奇饼问题的解法是简化的，是曲奇饼有补充的取多个饼的情况（有放回的情况）。 但更可能的情况是，我们吃掉了取出的曲奇饼，那么似然度就依赖于之
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一导读
本书中多数章节的灵感都是由真实世界里的问题所激发的，所以涉及了一些建模知识，在应用贝叶斯方法（或者其他的分析方法）前，我们必须决定真实世界中的哪些部分可以被包括进模型，而哪些细节可以被抽象掉。 贝叶斯思维：统计建模的Python学习法学习之道这本书以及Think系列其他书籍的一个前提是：只要懂得编程，你就能用这个技能去学习其他的内容 。 绝大多数贝叶斯统计的书使用数学符号并以数学概念的形
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一第1章 贝叶斯定理1.1 条件概率
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第1章，第1.1节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 第1章 贝叶斯定理 贝叶斯思维：统计建模的Python学习法 1.1 条件概率 所有贝叶斯统计的方法都基于贝叶斯定理，如果有条件概率的学习基础，意识到这一点很自然。因此我们会从概率、条件概率开始，然后到贝叶
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一1.2 联合概率
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第1章，第1.2节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 1.2 联合概率 联合概率：是指两个事件同时发生的概率。p（A和B）是A和B事件的发生都为真的概率。 如果你已经理解了投骰例子和它的背景，我们开始学习下面的公式： 例如，如果我投掷两个硬币，A表示第
日期 2023-06-12 10:48:40
《贝叶斯思维：统计建模的Python学习法》一1.3 曲奇饼问题
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第1章，第1.3节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 1.3 曲奇饼问题 我们即将开始讨论到贝叶斯定理，但我还想通过一个被称为“曲奇饼问题”的例子来介绍它。假设有两碗曲奇饼，碗1包含30个香草曲奇饼和10个巧克力曲奇饼，碗2有上述两种饼干各20个。 现在设想你在
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一1.4 贝叶斯定理
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第1章，第1.4节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 1.4 贝叶斯定理 现在，我们准备好进行贝叶斯定理推导需要的所有条件了。首先，我们注意到，联合概率是乘积可交换（乘法交换律）的，即： 对于任何A，B表示的事件都成立。 然后，我们写出一个联合概率的表
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一1.5 历时诠释
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第1章，第1.5节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 1.5 历时诠释 还有另外一种理解贝叶斯定理的思路：它给我们提供的是一种根据数据集D的内容变化更新假设概率H的方法。 这种对贝叶斯定理的理解被称为“历时诠释”。 “历时”意味着某些事情随着时间而发生；在本例
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一1.6 M&M豆问题
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第1章，第1.6节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 1.6 M M豆问题 M M豆是有各种颜色的糖果巧克力豆。制造M M豆的Mars公司会不时变更不同颜色巧克力豆之间的混合比例。 1995年，他们推出了蓝色的M M豆。在此前一袋普通的M＆M豆中，颜色的搭配为：
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一1.7 Monty Hall难题
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第1章，第1.7节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 1.7 Monty Hall难题 蒙蒂大厅（Monty Hall problem）难题可能是历史上最有争议的概率问题。问题看似简单，但正确答案如此有悖常理以致很多人不能接受，很多聪明人都难堪于自己搞错了反而据理
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一1.8 讨论
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第1章，第1.8节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 1.8 讨论 对于涉及条件概率的很多问题，贝叶斯定理提供了一个分而治之的策略。如果p(A|B)难以计算，或难以用实验衡量，可以检查计算贝叶斯定理中的其他项是否更容易，如p(B|A)，p(A)和p(B)。 如果
日期 2023-06-12 10:48:40《贝叶斯思维：统计建模的Python学习法》一第2章 统计计算2.1 分布
本节书摘来自异步社区《贝叶斯思维：统计建模的Python学习法》一书中的第2章，第2.1节，作者【美】Allen B. Downey，更多章节内容可以访问云栖社区“异步社区”公众号查看 第2章 统计计算 贝叶斯思维：统计建模的Python学习法 2.1 分布 在统计上，分布是一组值及其对应的概率。 例如，如果滚动一个六面骰子，可能的值是数字1至6，与每个值关联的概率是1/6。 再举一个
日期 2023-06-12 10:48:40