Perguntas com a marcação «regression»

Estou trabalhando com alguns conjuntos de dados grandes usando o pacote gbm em R. Tanto minha matriz preditora quanto meu vetor de resposta são muito escassos (ou seja, a maioria das entradas é zero). Eu esperava construir árvores de decisão usando um algoritmo que aproveitasse essa escassez, como foi feito …

11 r  regression  machine-learning  classification  cart 

O teste F clássico para subconjuntos de variáveis ​​na regressão multilinear tem a forma queSSE(R)é a soma dos erros quadráticos no modelo 'reduzido', que se aninha dentro do modelo 'grande'Bedfsão os graus de liberdade dos dois modelos. Sob a hipótese nula de que as variáveis ​​extras no modelo "grande" não …

11 regression  hypothesis-testing  power-analysis  non-central  f-distribution 

Em R, se eu escrever lm(a ~ b + c + b*c) isso ainda seria uma regressão linear? Como fazer outros tipos de regressão em R? Gostaria de receber alguma recomendação para livros ou tutoriais?

11 r  regression 

Ambos Root Mean Square e desvio absoluto médio parecer como as medidas da magnitude de variabilidade (especialmente quando os variates são tanto + ve e -ve). Quais são as regras práticas para escolher uma delas em detrimento da outra?

11 regression  standard-deviation 

A distribuição de poisson pode ser usada para analisar dados contínuos e também dados discretos? Eu tenho alguns conjuntos de dados em que as variáveis ​​de resposta são contínuas, mas lembram uma distribuição de poisson em vez de uma distribuição normal. No entanto, a distribuição de poisson é uma distribuição …

11 distributions  regression  poisson-distribution  continuous-data 

Digamos que eu tenha dados: x1 <- rnorm(100,2,10) x2 <- rnorm(100,2,10) y <- x1+x2+x1*x2+rnorm(100,1,2) dat <- data.frame(y=y,x1=x1,x2=x2) res <- lm(y~x1*x2,data=dat) summary(res) Quero plotar o contínuo por interação contínua, de modo que x1 esteja no eixo X e x2 seja representado por 3 linhas, uma que representa x2 com um escore …

11 r  regression  ggplot2  interaction 

Qualquer um que siga o beisebol provavelmente já ouviu falar sobre o desempenho do nada do tipo MVP de Jose Bautista, de Toronto. Nos quatro anos anteriores, ele atingiu cerca de 15 home runs por temporada. No ano passado, ele completou 54 anos, número superado por apenas 12 jogadores na …

11 r  regression  modeling 

Estou pesquisando como (visualmente) explicar correlação linear simples para alunos do primeiro ano. A maneira clássica de visualizar seria fornecer um gráfico de dispersão Y ~ X com uma linha de regressão reta. Recentemente, tive a idéia de estender esse tipo de gráfico adicionando ao gráfico mais 3 imagens, deixando-me …

11 r  data-visualization  regression  correlation 

Fechadas. Esta questão está fora de tópico . No momento, não está aceitando respostas. Deseja melhorar esta pergunta? Atualize a pergunta para que ela esteja no tópico de Validação cruzada. Fechado no ano passado . Quais implementações de código aberto - em qualquer idioma - existem por aí que podem …

11 regression  lasso  regularization 

Recentemente, ajustei 4 modelos de regressão múltiplos para os mesmos dados de previsão / resposta. Dois dos modelos eu me encaixo com a regressão de Poisson. model.pois <- glm(Response ~ P1 + P2 +...+ P5, family=poisson(), ...) model.pois.inter <- glm(Response ~ (P1 + P2 +...+ P5)^2, family=poisson(), ...) Dois dos …

11 regression  aic  count-data  likelihood-ratio  model-comparison 

Então, o que eu li sobre o profeta do Facebook é que basicamente divide a série temporal em tendência e sazonalidade. Por exemplo, um modelo aditivo seria escrito como: y( t ) = g( t ) + s ( t ) + h ( t ) + ety(t)=g(t)+s(t)+h(t)+et y(t) = …

11 regression  machine-learning  time-series  prophet 

Modelos de efeitos mistos lineares são modelos de extensões de regressão linear para dados coletados e resumidos em grupos. As principais vantagens são que os coeficientes podem variar em relação a uma ou mais variáveis ​​de grupo. No entanto, estou lutando com quando usar o modelo de efeito misto? Elaborarei …

11 regression  mixed-model  random-effects-model  linear 

Modelo linear simples: x = α t + ϵtx=αt+ϵtx=\alpha t + \epsilon_t onde ~ iid N ( 0 , σ 2 )ϵtϵt\epsilon_tN( 0 , σ2)N(0,σ2)N(0,\sigma^2) com eV a r ( x ) = σ 2E( X ) = α tE(x)=αtE(x) = \alpha tVa r ( x ) = σ2Var(x)=σ2Var(x)=\sigma^2 AR …

11 regression  stochastic-processes  autoregressive  deterministic 

O mgcvpacote para Rpossui duas funções para ajustar as interações do produto tensorial: te()e ti(). Entendo a divisão básica do trabalho entre os dois (ajustando uma interação não linear versus decompondo essa interação em efeitos principais e uma interação). O que não entendo é o porquê te(x1, x2)e ti(x1) + …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

Ok, então, um pouco nebuloso em algumas coisas, qualquer ajuda seria muito apreciada. Entendo que o modelo de regressão linear é previsto através de uma expectativa condicional E( Y| X) = b + Xb + eE(Y|X)=b+Xb+eE(Y|X)=b+Xb+e Supomos que e são variáveis ​​aleatórias com alguma distribuição de probabilidade desconhecida? entendi que …

11 regression