Предварительная подлинная импортная книга Чжан Шаоксан Искусственное интеллект (ИИ) и байесовский приложение интеграции. Анализ пяти Юг
Цена: 4 755руб. (¥225)
Артикул: 609559517554
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:拓特图书专营店
Адрес:Чжэцзян
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥35740руб.
¥2304 860руб.
¥861 818руб.
¥45951руб.
Интеграция возвращения искусственного интеллекта (ИИ) и байесовского анализа: Анализ приложения.
Автор: Чжан Шаоксон
Издательство: Вулин
Дата публикации: 2019/04/25
Язык: традиционный китайский
ISBN: 9789577632210
Характеристики: мягкая обложка, 896 страниц, 19x26 см, обычный уровень, одноцветная печать.
Место публикации: Тайвань
● Di Di Commentary Stata—&Mdash; целых 45 видов байесовских возвращающихся учебников.
●Мощное сочетание STaTa+AI+Bayesian следует мировым тенденциям и делает вас пионером в эпоху больших данных.
●STATa, сверхмощное статистическое программное обеспечение, простое для понимания, обладающее полным набором функций и широко признанное.
● В сочетании с «Теорией, методами, статистикой» читатели могут точно использовать байесовские для возвращения.
●Текст содержит большое количество изображений и иллюстраций, а вместе с сопровождающими файлами данных на компакт-диске вы можете практиковаться на месте и учиться более эффективно.
Наступление эры 5G открыло новую эру в сочетании с искусственным интеллектом (ИИ).В будущем можно предвидеть, что более интенсивные технологии искусственного интеллекта появятся в повседневной жизни и, скорее всего, изменят промышленные типы, жизненный опыт и даже модели человеческого мышления.
Искусственный интеллект, также известный как машинный интеллект, на сегодняшний день стал видной наукой и находится на стыке естествознания и социальных наук.Среди них алгоритмы машинного обучения, байесовские апостериорные вероятности и другие байесовские выводы не только подходят для традиционных методов научных исследований, но и более подходят для наступления сегодняшней эры больших данных.
В этой книге подробно описаны 45 типов байесовской регрессии, используемых в STTaTa, а также очень развитая технология статистического применения искусственного интеллекта на практике, которая может использоваться исследователями в области естественных и социальных наук, таких как искусственный интеллект и машинное обучение. Текст содержит большое количество иллюстраций и прилагаемого компакт-диска, что делает его кратким и простым для понимания, а эффект обучения становится более значительным.
●Мощное сочетание STaTa+AI+Bayesian следует мировым тенденциям и делает вас пионером в эпоху больших данных.
●STATa, сверхмощное статистическое программное обеспечение, простое для понимания, обладающее полным набором функций и широко признанное.
● В сочетании с «Теорией, методами, статистикой» читатели могут точно использовать байесовские для возвращения.
●Текст содержит большое количество изображений и иллюстраций, а вместе с сопровождающими файлами данных на компакт-диске вы можете практиковаться на месте и учиться более эффективно.
Наступление эры 5G открыло новую эру в сочетании с искусственным интеллектом (ИИ).В будущем можно предвидеть, что более интенсивные технологии искусственного интеллекта появятся в повседневной жизни и, скорее всего, изменят промышленные типы, жизненный опыт и даже модели человеческого мышления.
Искусственный интеллект, также известный как машинный интеллект, на сегодняшний день стал видной наукой и находится на стыке естествознания и социальных наук.Среди них алгоритмы машинного обучения, байесовские апостериорные вероятности и другие байесовские выводы не только подходят для традиционных методов научных исследований, но и более подходят для наступления сегодняшней эры больших данных.
В этой книге подробно описаны 45 типов байесовской регрессии, используемых в STTaTa, а также очень развитая технология статистического применения искусственного интеллекта на практике, которая может использоваться исследователями в области естественных и социальных наук, таких как искусственный интеллект и машинное обучение. Текст содержит большое количество иллюстраций и прилагаемого компакт-диска, что делает его кратким и простым для понимания, а эффект обучения становится более значительным.
Самостоятельно
Глава 01 Основа искусственного интеллекта: теория машинного обучения и теорема Байеса (Байеса' theorem) 1
1-1 Искусственный интеллект (искусственный интеллект, ИИ) ... .................................. 9
1-1-1 Тема исследования AI ... ........................................................................................................................................................... .................................................. ......................... ..10
1-1-2 Сильный искусственный интеллект против слабого искусственного интеллекта ... .......................... 14
1-1-3 Метод исследования AI ... ........................................... .................................................. ......................... ... 15
1-2 машинное обучение ............................................. ............ ... ...
1-2-1 Наблюдайте за не подлежащим инспективным машинным обучением ... .................................. ...двадцать четыре
1-2-2 знаковой алгоритм (алгоритм) ............................................ ............... ............................ 26
1-2-3 Что такое функции (&асимп; независимые переменные), обучение, этикетка (этикетка (&Asymp; категория в зависимости от переменной)?............. 40
1-2-4 Superision Machine Learning⊃ машинное обучение: линейная регрессия с
несколько переменных)................................................................................................42
1-2-5 Машинное обучение: алгоритм градиентного спуска ...........67
1-2-6 машинное обучение: масштабирование функций ... ...................... 81
1-3 Оценка параметров: Zui, вероятно, оценивается, Zui post (максимум задней), байесовская оценка ................ 81
1-3-1 Что такое оценка параметров?.................................................. .................................................. .............. .................................... .................................................. .................................................. ....................................................
1-3-2A Метод оценки 1: Зуи, вероятно, оценивается (MLE)≠ 概似 比 (lr) .................................... 87
1-3-2B Zui, по-видимому, классифицируется как метод оценки (MLE) ................................. ............... .............................. 97
1-3-3 Закон о оценке 2: максимальные апостериорные оценки ... ........ 101
1-3-4 Закон 3: Байесовская оценка ... ... ...
1-4 Ожидайте Zui Great (EM) алгоритм ... ..................................... ................................................... 107
Глава 02 Существует 45 типов байесовской регрессии 117
2-1 Лучшая теорема и условная вероятность (фокус) ............................... ... ...
2-1-1 байесовская вероятность ................................ ........... ..... 121
2-1-2 Теорема Байеса, условная вероятность ... .................................. 123
2-2 байесовский вывод (байесовский вывод) ............................................................................................................................................................................................................................... .............. 136
2-2-1 Байесовское правление ............................................................................................................................................................................... ................ 138
2-2-2 Возможность "исключительных и плохих предложений"
исчерпывающие возможности) .............................................................................. 143
2-2-3A Математика байесовского вывода (математические свойства) ...................................... ...................... 145
2-2-3B Байесовская теория решений ... ........................................... .................................................. ...............
2-2-4 случая, которые байесовский вывод ....................................... .. . ...
2-2-5 Частотная статистика и теория принятия решений Байесовская модель, кто хорош?Байесовская информация
Критерий (BIC) .............................................................................................. 165
2-2-6 Байесовская эпистемология ................................. .......... ..... 167
2-2-7 влияющие факторы байесовских рассуждений ... ........................................ .......................................... 170
2-3 Существует 15 распространенных дистрибутивов .............................................................................. 175
2-4 Существует 45 типов байесовской регрессии STaTa, основанной на правдоподобии............................. 204
2-4-1 Stata Всего 12 категорий: 45 видов байесовского возврата ... .......... 205
2-4-2 Алгоритм мегаполиса-гастингса (инструкции Bayesmh) и Монте-Карло ...
2-4-3 Основные принципы линейной регрессии байесовской ... .............................. 225
2-5 Байесовская статистика и регуляризация ................................................................................................................................... .................................................. .................................................. .................................................. .................................................. .................................................. .................................................. .................................................. .................................................. .............. иметь
2-5-1 чрезмерная адаптация по сравнению с недостаточной адаптацией (пережитка и недостаточная подразделение) ...
2-5-2 Байесовская статистика и регуляризация (регуляризация) ... ...... 231
2-5-3 Формализация Zui функции Jiacheng (оптимизировать функцию затрат путем регулярной) ......... 232
Глава 03 Zui, вероятно, (ML) Семья (Семья): Технология машинного обучения 237
3-1 Zui, вероятно, выглядит (ML). ................ 238
3-1-1 Анализ правления ................................................................................................................................................................... .................................... 239
3-1-2 Линейная регрессия (линейная регрессия) ....................................... .... ..
3-2 Существует три метода выбора независимых переменных для множественной регрессии: метод выбора подмножества, регуляризация и метод информационных критериев.
(BayessTats IC Инструкция) ... .............................................. .................................................. ...................... 246
3-2-1 Модель регрессии и обычный пункт: возврат гребня, принцип регрессии Лассо .......... 253
3-2-2
................................................................................................................... 262
3-2-3A возвращение к правилам: возвращение Лассо, возврат RIDG, регрессия упругого сети
(Lassoregress, Ridgeregress, ElasticreGress Plug -в инструкциях) ...
3-2-3B Алгоритм машинного обучения: Lasso Regribers (Lassoregress, Lasso2,
ElasticreGress Trancss) ... ...................... 283
3-2-4A Алгоритм машинного обучения: регрессия гребня (Rxridge, Rxrcrlq, Rxrmaxl
Подождите 14 инструкций) ... ........................................ 288
3-2-4B Ridge Analysis Analysis: Решение общей линейности (инструкции RXRIDG плагин) ... 293
3-2-5 Алгоритм машинного обучения: Elastic Network Multi Lasso return (Multi задача Lasso)
(ElasticreGress Trancss) ... ................................ 299
3-2-6 Логистическая регрессия (логистическая регрессия) ... ...................... 301
3-3 Метод машинного обучения: Случайный лес (Randomforest), Machine Vector (инструкция плагина
свмашины) .............................................................................................................................. 314
3-3-1 Метод машинного обучения: Случайный лес (плагин инструкция: randomforest) ...
3-3-2 Метод машинного обучения: поддержка векторной машины SVM (Инструкция плагина: svmachines) ...
3-4 Наиболее похожее семейство Kernel-Based: распознавание малой выборки, нелинейных и многомерных моделей........... 349
3-4-1 Функция ядра для нелинейной классификации ................................................................. 353
3-4-2 Классификатор машины опорных векторов (SVM): прототип, двойной тип, ядерная техника, современный метод... 354
3-4-3a Принцип машины опорных векторов (SVM): идентификация малой выборки, нелинейной и многомерной модели .......... 361
3-4-3B поддержки опор
3-4-4 Ядерная регрессия/кусочно-взвешенная регрессия (ядерная регрессия): немонотонная функция (lpoly,
npregress, teffects инструкции) ............................................. .... .................... 377
3-5, вероятно, аналогична байесовской семье (ML) (команда с префиксом «байес: определенный возврат»)....... 399
3-5-1 Дискриминатическая модель и генеративная модель ......... 404
3-5-2 Гауссовский дискриминантный анализ .............. 407
3-5-3 Наивный алгоритм байеса ... ....................... 412
Глава 04 Принцип байесовской линейной регрессии 421
4-1 Байесовский анализ ... .............................................. .................................. 425
4-2 Оценка параметров: Zui, вероятно, оценивается, Zui большая оценка после проверки, байесовская оценка ... ... 430
4-3 Байесовская (байесовская) линейная регрессия ... ............................ 433
4-3-1A Параметры линейной регрессии оцениваются как метод Zui Xiaoping (OLS) ... .......... 433
Принцип 4-3-1B Байесовский (Байесовский) ... .......................... 436
4-3-2 Байесовская линейная регрессия: распределение параметров, распределение прогнозов, эквивалентное ядро .............. 440
4-3-3 Bayesian return: процесс обучения, преимущества и недостатки, регрессия Байесского хребта ...
4-4 байесовская многовариантная линейная регрессия байесовской мультиварии (байесовская мультивария)
Глава 05 Линейная регрессия Байеса («Байеса: регресс», «Bayesgraphdiagnostics», «Bayesstats IC») 457
5-1 Линейный байесовский возврат (сначала rsquare, затем «Байеса: регрессия» инструкция) ...
5-1-1 МНК сначала выбирает наилучшую комбинацию всех независимых переменных (затем линейная регрессия Байеса)........... 460
5-1-2 МНК сначала выбирает наилучшую комбинацию всех независимых переменных, а затем линейную регрессию Байеса.
(байес: регресс y x1 x2 x3) ................................................................. 477
Метод 5-2 Методы Байес Линейный возврат (Байес: регресс ?? инструкции) ... ............. 483
5-2-1 Бейеса Линейная регрессия и значение прогнозирования: использование внутреннего и приоритета (неинформативные данные)
(Байеса: регресс ??
5-2-2. Линейная регрессия Байеса: самоопределенная и приоритетная (Байеса: Регресс
инструкция) .................................................. ................... ............................... .................................................. ................................. ..... 491
5-3 Метод 2 Линейный возврат Байеса (Bayesmh: регресс ?? инструкции) ... ......... 501
5-4 линейная байесовская регрессионная модель (переключитесь на инструкцию Bayesmh) ........................................................................................................................................................................... . 512
5-4-1 Принцип и реализация байесовской оценки («Байеса: регресс» инструкция) ...
5-4-2 MCMC Convergence и гипотетический тест
5-4-3 Приоритет (Приоры): выборка Гиббса (выборка) ....................................... .................................................. ................... ...................... 529
5-4-4 Пользовательские априоры ............................. .............. ............ 533
5-5 Байесовская регрессия: сокращенная модель или полная модель, какая из них лучше? (bayesmh, команда bayesstats ic) ... 535
Глава 06 Алгоритм мегаполиса-гастингса Байесовская модель (обучение Bayesmh) 545
6-1 Инструкции Bayesmh: «Линейный и нелинейный», «Одиночная переменная против многолетних», «Непрерывная против прерывистого»
Всего имеется 8 категорий моделей............................................................................................ 552
6-2 Пример инструкции Bayesmh ... .......................................... .................................................. ...
6-2-1 Пример 1: Линейная регрессия OLS (регресс) против байесовской линейной регрессии (Байеса: регресс)
................................................................................................................... 574
6-2-2 Пример 2: Байесовская нормальная линейная регрессия с неинформативным предварительным
(Распределение неудовлетворительных параметров) ... .......................... 583
6-2-3 Пример 3: Байесовская линейная регрессия с информативным
Распределение) ................................................ .................................................. .................................................. ............. .... 588
6-2-4 Пример 4: Байесовская нормальная линейная регрессия с многовариантным приоритетом ...... 591
6-2-5 範例 5 ： 檢查 收斂性 (проверка конвергенции) ....................................... ..... 594
6-2-6 Пример 6: Резюме BestStimation ............................................ ......................
6-2-7 Пример 7: Сравнение враждебных моделей (сравнение модели) ... .... 601
6-2-8 Пример 8: Предположим, что тест (тестирование гипотезы) (модель Bayest, интервал
интервал) ................................................................................................................... 603
Глава 07 Байесовская логическая модель, несколько логических моделей (Байеса: Логистика, Байеса: Инструкции Mlogit) 607
7-1 Принцип логики ................................... ............. .................................................. .................................................. . ......... 608
7-2 Анализ правления байесовского логита (Байеса: Логит, Байеса: Логистическое обучение) ...
7-2-1 Пример 1: Bayistic return (Bayes: Logit Trance) ... ..... 614
7-2-2 Пример 2: Информативный Приор: Beckle Logistic
(Байеса: Logit Инструкция) ... ...
7-3 Контрольная группа: анализ мультиномиальной логистической регрессии (Байеса: инструкция Mlogit) ...
Принцип возврата логики 7-3-1 (многономиальная) логика ... ............... 622
7-3-2 Анализ многонотического логита: профессиональные типы отбора (инструкции Mlogit) ................ 628
7-3-3 Множественный логический регрессионный анализ: факторы выбора фотографии груди (маммограф)
(инструкция Mlogit) ... ...................................... 637
7-4 Экспериментальная группа: Байесовская многономиальная логистика: медицинское страхование (Байеса: Mlogit
Инструкция) .................................................... ......... ......................................... .................................................. ....................... .................... 650
ГЛАВА 08 Совет Формула: Байесовский многовариантный возврат (Байеса: инструкция MVERG) 659
8-1 Многолетний байесовский возвратный анализ (Байеса: инструкция MVERG) ... .......... 660
Глава 09 Нелинейная регрессия: широкая линейная модель (GLM) (Baye: GLM Инструкция) 667
9-1 Принцип широкой линейной модели ... ..................................... .................................................. ............................... 668
Как восстановить (инструкции GLM), когда зависимая переменная является проросткой?.......................... 671
9-3 в широкой линейной регрессии (GLM, Baye: GLM Инструкция) ... ................................ 684
Глава 10 Модель выживания (Baye: инструкции Streeg) 693
10-1 Принцип анализа выживания ... ............................................................................................................................... .................................................. ......................... ......... 694
10-1-1 Определение анализа выживания ... .................................. 695
10-1-2 Почему анализ выживания является важным статистическим методом для клинических исследований?................................ 698
10-1-3 Три цели исследования анализа выживания ... ................ 703
10-2 Анализ выживания Байесовский возврат (Baye: инструкции Streeg) ... ..................... 704
Глава 11 Многоуровневое (Байеса: смешанные инструкции) 717
Принцип 11-1 многоуровневой модели ... .......................................... .................................................. ........................... .... 720
11-2 Байесовская многоуровневая модель: Повторное измерение (Байеса: смешанная инструкция) ... ... 726
Глава 12 Count (Count) Модель, нулевая модель (Bayes: Tpoisson, Baye: Zinb Trance) 743
12-1 Традиционные принципы: подсчет в зависимости от переменной: нулевой пуассон возвращается к Vs. Oftion Binomial
возвращаться................................................. .................................................. .................................................. .............. ...................... 744
12-1-1 распределение пуассона ....................................................................................................................................................... .................................................. .................................................. ...................... 745
12-1-2 Потеря два элемента (отрицание биномиального распределения) ... ..... 751
12-1-3 с нулевым распределением Пуассона ... ..................... 753
12-2 Одноуровневое: нулевое возвращение Пуассона к Vs. Oftian (ZIP, инструкции ZINB) .............. 755
12-2-1 Традиция: нулевая внедорожная возвращение Пуассона к Vs. Oftion Revation (ZIP, ZINB Инструкции) ... 755
12-2-2 Байесовский Пуассон возвращение (Байес: Пуассон), Байесовская нулевая экспансия Пуассон
Возврат (Байеса: Инструкция по ZIP) ....................................... .... ...................... 776
12-2-3 с нулевой негативной биномиальной моделью (Байеса: инструкции Zinb) ...
12-3 Опорядованное пробитовое регрессионное упражнение с нулевой инфляцией: рыбалка (инструкция по ZIP) ...
12-4 Zero Expansion Заказано пробитовое регрессионный анализ: тяжесть курения (инструкции ZioProbit) ...
12-5 усеченный (усеченный) регрессионный анализ Пуассона (Байеса: инструкция TPOISSON) ...
12-5-1 возвращение усечения .. 813
12-5-2 Байесовская уселение регрессии Пуассона
................................................................................................................... 832
Глава 13 Байесовская модель самостоятельного возврата (Байеса: Регресс инструкции YL1.Y) 841
13-1 時間 列序 之 ： 自我 迴歸 (авторегрессивные модели) ....................................... ..... 842
13-1-2 Арима Строительная модель шагов ... ...................................... ...................... 844
13-2 Модель саморегрессии (AR) ............................................ .................................................. ........................................ .......... ................ 846
13-2-1 AR (1) Модель ............................................ ............. ..................................... .................................................. ........................... ...... 848
13-2-2 AR (2) модель ... ..................................... .................................................. ........................... ...... 854
13-2-3 Что такое стабильность (фиксированное состояние)?.................................................. .................................................. .............. .................................... .......................................... 858
13-3 Процесс байесовского моделирования самостоятельного возврата (Байеса: регресс y L.y Инструкции) ...
Ссылка 875
Глава 01 Основа искусственного интеллекта: теория машинного обучения и теорема Байеса (Байеса' theorem) 1
1-1 Искусственный интеллект (искусственный интеллект, ИИ) ... .................................. 9
1-1-1 Тема исследования AI ... ........................................................................................................................................................... .................................................. ......................... ..10
1-1-2 Сильный искусственный интеллект против слабого искусственного интеллекта ... .......................... 14
1-1-3 Метод исследования AI ... ........................................... .................................................. ......................... ... 15
1-2 машинное обучение ............................................. ............ ... ...
1-2-1 Наблюдайте за не подлежащим инспективным машинным обучением ... .................................. ...двадцать четыре
1-2-2 знаковой алгоритм (алгоритм) ............................................ ............... ............................ 26
1-2-3 Что такое функции (&асимп; независимые переменные), обучение, этикетка (этикетка (&Asymp; категория в зависимости от переменной)?............. 40
1-2-4 Superision Machine Learning⊃ машинное обучение: линейная регрессия с
несколько переменных)................................................................................................42
1-2-5 Машинное обучение: алгоритм градиентного спуска ...........67
1-2-6 машинное обучение: масштабирование функций ... ...................... 81
1-3 Оценка параметров: Zui, вероятно, оценивается, Zui post (максимум задней), байесовская оценка ................ 81
1-3-1 Что такое оценка параметров?.................................................. .................................................. .............. .................................... .................................................. .................................................. ....................................................
1-3-2A Метод оценки 1: Зуи, вероятно, оценивается (MLE)≠ 概似 比 (lr) .................................... 87
1-3-2B Zui, по-видимому, классифицируется как метод оценки (MLE) ................................. ............... .............................. 97
1-3-3 Закон о оценке 2: максимальные апостериорные оценки ... ........ 101
1-3-4 Закон 3: Байесовская оценка ... ... ...
1-4 Ожидайте Zui Great (EM) алгоритм ... ..................................... ................................................... 107
Глава 02 Существует 45 типов байесовской регрессии 117
2-1 Лучшая теорема и условная вероятность (фокус) ............................... ... ...
2-1-1 байесовская вероятность ................................ ........... ..... 121
2-1-2 Теорема Байеса, условная вероятность ... .................................. 123
2-2 байесовский вывод (байесовский вывод) ............................................................................................................................................................................................................................... .............. 136
2-2-1 Байесовское правление ............................................................................................................................................................................... ................ 138
2-2-2 Возможность "исключительных и плохих предложений"
исчерпывающие возможности) .............................................................................. 143
2-2-3A Математика байесовского вывода (математические свойства) ...................................... ...................... 145
2-2-3B Байесовская теория решений ... ........................................... .................................................. ...............
2-2-4 случая, которые байесовский вывод ....................................... .. . ...
2-2-5 Частотная статистика и теория принятия решений Байесовская модель, кто хорош?Байесовская информация
Критерий (BIC) .............................................................................................. 165
2-2-6 Байесовская эпистемология ................................. .......... ..... 167
2-2-7 влияющие факторы байесовских рассуждений ... ........................................ .......................................... 170
2-3 Существует 15 распространенных дистрибутивов .............................................................................. 175
2-4 Существует 45 типов байесовской регрессии STaTa, основанной на правдоподобии............................. 204
2-4-1 Stata Всего 12 категорий: 45 видов байесовского возврата ... .......... 205
2-4-2 Алгоритм мегаполиса-гастингса (инструкции Bayesmh) и Монте-Карло ...
2-4-3 Основные принципы линейной регрессии байесовской ... .............................. 225
2-5 Байесовская статистика и регуляризация ................................................................................................................................... .................................................. .................................................. .................................................. .................................................. .................................................. .................................................. .................................................. .................................................. .............. иметь
2-5-1 чрезмерная адаптация по сравнению с недостаточной адаптацией (пережитка и недостаточная подразделение) ...
2-5-2 Байесовская статистика и регуляризация (регуляризация) ... ...... 231
2-5-3 Формализация Zui функции Jiacheng (оптимизировать функцию затрат путем регулярной) ......... 232
Глава 03 Zui, вероятно, (ML) Семья (Семья): Технология машинного обучения 237
3-1 Zui, вероятно, выглядит (ML). ................ 238
3-1-1 Анализ правления ................................................................................................................................................................... .................................... 239
3-1-2 Линейная регрессия (линейная регрессия) ....................................... .... ..
3-2 Существует три метода выбора независимых переменных для множественной регрессии: метод выбора подмножества, регуляризация и метод информационных критериев.
(BayessTats IC Инструкция) ... .............................................. .................................................. ...................... 246
3-2-1 Модель регрессии и обычный пункт: возврат гребня, принцип регрессии Лассо .......... 253
3-2-2
................................................................................................................... 262
3-2-3A возвращение к правилам: возвращение Лассо, возврат RIDG, регрессия упругого сети
(Lassoregress, Ridgeregress, ElasticreGress Plug -в инструкциях) ...
3-2-3B Алгоритм машинного обучения: Lasso Regribers (Lassoregress, Lasso2,
ElasticreGress Trancss) ... ...................... 283
3-2-4A Алгоритм машинного обучения: регрессия гребня (Rxridge, Rxrcrlq, Rxrmaxl
Подождите 14 инструкций) ... ........................................ 288
3-2-4B Ridge Analysis Analysis: Решение общей линейности (инструкции RXRIDG плагин) ... 293
3-2-5 Алгоритм машинного обучения: Elastic Network Multi Lasso return (Multi задача Lasso)
(ElasticreGress Trancss) ... ................................ 299
3-2-6 Логистическая регрессия (логистическая регрессия) ... ...................... 301
3-3 Метод машинного обучения: Случайный лес (Randomforest), Machine Vector (инструкция плагина
свмашины) .............................................................................................................................. 314
3-3-1 Метод машинного обучения: Случайный лес (плагин инструкция: randomforest) ...
3-3-2 Метод машинного обучения: поддержка векторной машины SVM (Инструкция плагина: svmachines) ...
3-4 Наиболее похожее семейство Kernel-Based: распознавание малой выборки, нелинейных и многомерных моделей........... 349
3-4-1 Функция ядра для нелинейной классификации ................................................................. 353
3-4-2 Классификатор машины опорных векторов (SVM): прототип, двойной тип, ядерная техника, современный метод... 354
3-4-3a Принцип машины опорных векторов (SVM): идентификация малой выборки, нелинейной и многомерной модели .......... 361
3-4-3B поддержки опор
3-4-4 Ядерная регрессия/кусочно-взвешенная регрессия (ядерная регрессия): немонотонная функция (lpoly,
npregress, teffects инструкции) ............................................. .... .................... 377
3-5, вероятно, аналогична байесовской семье (ML) (команда с префиксом «байес: определенный возврат»)....... 399
3-5-1 Дискриминатическая модель и генеративная модель ......... 404
3-5-2 Гауссовский дискриминантный анализ .............. 407
3-5-3 Наивный алгоритм байеса ... ....................... 412
Глава 04 Принцип байесовской линейной регрессии 421
4-1 Байесовский анализ ... .............................................. .................................. 425
4-2 Оценка параметров: Zui, вероятно, оценивается, Zui большая оценка после проверки, байесовская оценка ... ... 430
4-3 Байесовская (байесовская) линейная регрессия ... ............................ 433
4-3-1A Параметры линейной регрессии оцениваются как метод Zui Xiaoping (OLS) ... .......... 433
Принцип 4-3-1B Байесовский (Байесовский) ... .......................... 436
4-3-2 Байесовская линейная регрессия: распределение параметров, распределение прогнозов, эквивалентное ядро .............. 440
4-3-3 Bayesian return: процесс обучения, преимущества и недостатки, регрессия Байесского хребта ...
4-4 байесовская многовариантная линейная регрессия байесовской мультиварии (байесовская мультивария)
Глава 05 Линейная регрессия Байеса («Байеса: регресс», «Bayesgraphdiagnostics», «Bayesstats IC») 457
5-1 Линейный байесовский возврат (сначала rsquare, затем «Байеса: регрессия» инструкция) ...
5-1-1 МНК сначала выбирает наилучшую комбинацию всех независимых переменных (затем линейная регрессия Байеса)........... 460
5-1-2 МНК сначала выбирает наилучшую комбинацию всех независимых переменных, а затем линейную регрессию Байеса.
(байес: регресс y x1 x2 x3) ................................................................. 477
Метод 5-2 Методы Байес Линейный возврат (Байес: регресс ?? инструкции) ... ............. 483
5-2-1 Бейеса Линейная регрессия и значение прогнозирования: использование внутреннего и приоритета (неинформативные данные)
(Байеса: регресс ??
5-2-2. Линейная регрессия Байеса: самоопределенная и приоритетная (Байеса: Регресс
инструкция) .................................................. ................... ............................... .................................................. ................................. ..... 491
5-3 Метод 2 Линейный возврат Байеса (Bayesmh: регресс ?? инструкции) ... ......... 501
5-4 линейная байесовская регрессионная модель (переключитесь на инструкцию Bayesmh) ........................................................................................................................................................................... . 512
5-4-1 Принцип и реализация байесовской оценки («Байеса: регресс» инструкция) ...
5-4-2 MCMC Convergence и гипотетический тест
5-4-3 Приоритет (Приоры): выборка Гиббса (выборка) ....................................... .................................................. ................... ...................... 529
5-4-4 Пользовательские априоры ............................. .............. ............ 533
5-5 Байесовская регрессия: сокращенная модель или полная модель, какая из них лучше? (bayesmh, команда bayesstats ic) ... 535
Глава 06 Алгоритм мегаполиса-гастингса Байесовская модель (обучение Bayesmh) 545
6-1 Инструкции Bayesmh: «Линейный и нелинейный», «Одиночная переменная против многолетних», «Непрерывная против прерывистого»
Всего имеется 8 категорий моделей............................................................................................ 552
6-2 Пример инструкции Bayesmh ... .......................................... .................................................. ...
6-2-1 Пример 1: Линейная регрессия OLS (регресс) против байесовской линейной регрессии (Байеса: регресс)
................................................................................................................... 574
6-2-2 Пример 2: Байесовская нормальная линейная регрессия с неинформативным предварительным
(Распределение неудовлетворительных параметров) ... .......................... 583
6-2-3 Пример 3: Байесовская линейная регрессия с информативным
Распределение) ................................................ .................................................. .................................................. ............. .... 588
6-2-4 Пример 4: Байесовская нормальная линейная регрессия с многовариантным приоритетом ...... 591
6-2-5 範例 5 ： 檢查 收斂性 (проверка конвергенции) ....................................... ..... 594
6-2-6 Пример 6: Резюме BestStimation ............................................ ......................
6-2-7 Пример 7: Сравнение враждебных моделей (сравнение модели) ... .... 601
6-2-8 Пример 8: Предположим, что тест (тестирование гипотезы) (модель Bayest, интервал
интервал) ................................................................................................................... 603
Глава 07 Байесовская логическая модель, несколько логических моделей (Байеса: Логистика, Байеса: Инструкции Mlogit) 607
7-1 Принцип логики ................................... ............. .................................................. .................................................. . ......... 608
7-2 Анализ правления байесовского логита (Байеса: Логит, Байеса: Логистическое обучение) ...
7-2-1 Пример 1: Bayistic return (Bayes: Logit Trance) ... ..... 614
7-2-2 Пример 2: Информативный Приор: Beckle Logistic
(Байеса: Logit Инструкция) ... ...
7-3 Контрольная группа: анализ мультиномиальной логистической регрессии (Байеса: инструкция Mlogit) ...
Принцип возврата логики 7-3-1 (многономиальная) логика ... ............... 622
7-3-2 Анализ многонотического логита: профессиональные типы отбора (инструкции Mlogit) ................ 628
7-3-3 Множественный логический регрессионный анализ: факторы выбора фотографии груди (маммограф)
(инструкция Mlogit) ... ...................................... 637
7-4 Экспериментальная группа: Байесовская многономиальная логистика: медицинское страхование (Байеса: Mlogit
Инструкция) .................................................... ......... ......................................... .................................................. ....................... .................... 650
ГЛАВА 08 Совет Формула: Байесовский многовариантный возврат (Байеса: инструкция MVERG) 659
8-1 Многолетний байесовский возвратный анализ (Байеса: инструкция MVERG) ... .......... 660
Глава 09 Нелинейная регрессия: широкая линейная модель (GLM) (Baye: GLM Инструкция) 667
9-1 Принцип широкой линейной модели ... ..................................... .................................................. ............................... 668
Как восстановить (инструкции GLM), когда зависимая переменная является проросткой?.......................... 671
9-3 в широкой линейной регрессии (GLM, Baye: GLM Инструкция) ... ................................ 684
Глава 10 Модель выживания (Baye: инструкции Streeg) 693
10-1 Принцип анализа выживания ... ............................................................................................................................... .................................................. ......................... ......... 694
10-1-1 Определение анализа выживания ... .................................. 695
10-1-2 Почему анализ выживания является важным статистическим методом для клинических исследований?................................ 698
10-1-3 Три цели исследования анализа выживания ... ................ 703
10-2 Анализ выживания Байесовский возврат (Baye: инструкции Streeg) ... ..................... 704
Глава 11 Многоуровневое (Байеса: смешанные инструкции) 717
Принцип 11-1 многоуровневой модели ... .......................................... .................................................. ........................... .... 720
11-2 Байесовская многоуровневая модель: Повторное измерение (Байеса: смешанная инструкция) ... ... 726
Глава 12 Count (Count) Модель, нулевая модель (Bayes: Tpoisson, Baye: Zinb Trance) 743
12-1 Традиционные принципы: подсчет в зависимости от переменной: нулевой пуассон возвращается к Vs. Oftion Binomial
возвращаться................................................. .................................................. .................................................. .............. ...................... 744
12-1-1 распределение пуассона ....................................................................................................................................................... .................................................. .................................................. ...................... 745
12-1-2 Потеря два элемента (отрицание биномиального распределения) ... ..... 751
12-1-3 с нулевым распределением Пуассона ... ..................... 753
12-2 Одноуровневое: нулевое возвращение Пуассона к Vs. Oftian (ZIP, инструкции ZINB) .............. 755
12-2-1 Традиция: нулевая внедорожная возвращение Пуассона к Vs. Oftion Revation (ZIP, ZINB Инструкции) ... 755
12-2-2 Байесовский Пуассон возвращение (Байес: Пуассон), Байесовская нулевая экспансия Пуассон
Возврат (Байеса: Инструкция по ZIP) ....................................... .... ...................... 776
12-2-3 с нулевой негативной биномиальной моделью (Байеса: инструкции Zinb) ...
12-3 Опорядованное пробитовое регрессионное упражнение с нулевой инфляцией: рыбалка (инструкция по ZIP) ...
12-4 Zero Expansion Заказано пробитовое регрессионный анализ: тяжесть курения (инструкции ZioProbit) ...
12-5 усеченный (усеченный) регрессионный анализ Пуассона (Байеса: инструкция TPOISSON) ...
12-5-1 возвращение усечения .. 813
12-5-2 Байесовская уселение регрессии Пуассона
................................................................................................................... 832
Глава 13 Байесовская модель самостоятельного возврата (Байеса: Регресс инструкции YL1.Y) 841
13-1 時間 列序 之 ： 自我 迴歸 (авторегрессивные модели) ....................................... ..... 842
13-1-2 Арима Строительная модель шагов ... ...................................... ...................... 844
13-2 Модель саморегрессии (AR) ............................................ .................................................. ........................................ .......... ................ 846
13-2-1 AR (1) Модель ............................................ ............. ..................................... .................................................. ........................... ...... 848
13-2-2 AR (2) модель ... ..................................... .................................................. ........................... ...... 854
13-2-3 Что такое стабильность (фиксированное состояние)?.................................................. .................................................. .............. .................................... .......................................... 858
13-3 Процесс байесовского моделирования самостоятельного возврата (Байеса: регресс y L.y Инструкции) ...
Ссылка 875