前言最近一段时间在做流行病数据的分析，期间学习DLNM模型的过程中碰到了挺多问题百度搜不到，笔者通过慢慢读原文献、看代码解决了一部分，当然还是有一些没太搞懂hhh。DLNM模型是个比较新的模型，中文版本的介绍也比较少，所以想写一篇推文，做一下知识输出，这也是笔者第一篇关于专业知识的推文，欢迎大家点赞、评论、多多支持，文中言语不当之处还请多多指教，谢谢！目录1. 分布滞后模型与自回归模型2. 分布滞
文章目录theme()函数的用法1. 使用ggplot2包中内置主题2. 使用拓展包中的主题ggthemesggthemr3.ggThemeAssist包 本文分为两个部分 套用ggplot2包中自带的主题模板套用扩展包中的主题模板主要介绍ggthemes ggthemr两个包另外两个ggsci ggtech简要提及theme()函数的用法theme()在ggplot2中是一个非常强大的函数，
转载
2024-01-11 10:30:53
283阅读
本文集锦了R语言学习中需要用到的知识。可以作为入门了解之用，细节部分本文不做详解R语言介绍2、Rstools及package管理目前常用安装包的方式用三种：分为CRAN中的包/生物信息学相关包/GitHub里面的包#CRAN中的包
#install.packages() 安装包
#生物信息学相关Bioconductor
#install.packages('BiocManger')
#BiocMa
转载
2023-08-12 15:04:31
223阅读
# 使用R语言进行GMM回归
## 1. 流程图
使用表格展示R语言做GMM回归的流程：
| 步骤 | 内容 |
|------|-----------------------------|
| 1 | 数据准备 |
| 2 | 模型拟合 |
| 3 |
原创
2024-04-28 05:49:44
336阅读
一、R语言简介这节课我们会初步学习R的功能和使用。 我们会学习怎样在不同的操作系统安装R。 我们会在开始控制台内使用R，并且分别用交互式和批处理的方式使用R。 最后，在这节课，我们会讨论怎样用包来扩展R。1、R的功能和使用。R是一个优秀的数据分析和制图的软件环境。 它最初由Ross Ihaka和Robert Gentleman1993年在新西兰，奥克兰大学创建。 它们将R创建为一种帮助教学生统计初
转载
2023-07-27 23:42:56
371阅读
文章目录GM(1,1)模型1 GM(1,1)模型概述2 GM(1,1)数据处理方法3 GM(1,1)模型方法的可行性检验4 GM(1,1)预测模型的构建5 GM(1,1) 模型的检验6 GM(1,1) 模型的适用范围7 GM(1,1) 残差模型R语言实现python GM(1,1)模型1 GM(1,1)模型概述灰色预测经常用来解决数据量较少且不能直接发现规律的数据。对于包含不确定信息的序列，灰色
转载
2023-07-21 18:26:03
534阅读
# R语言中的GMM参数估计
在统计学和机器学习中，参数估计是一个重要的任务。特别是在处理复杂数据时，使用适当的估计方法可以显著提高模型的性能。广义方法矩（GMM）是一种强大的参数估计技术，它不仅具有较高的灵活性，而且适用于不同类型的模型。在本文中，我们将探讨如何在R语言中实施GMM参数估计，并通过具体代码示例来帮助您理解这一过程。
## GMM概述
GMM的基本思想是通过样本矩与理论矩之间
用于经济预测的计量经济学结构模型一般可以分为两类：静态模型（即截面模型）、动态模型（即时间序列模型）1. 静态模型与动态模型的异同点 1）共同点： &n
转载
2024-01-05 19:41:13
177阅读
我们使用R库mgcv，用广义加性模型（GAMs）对环境数据进行建模。mgcv是一个伟大的库，具有丰富的功能，但我们经常发现，默认的诊断图并不令人振奋。特别是偏残差图，功能很强，但不漂亮，残差几乎看不见。我们需要根据这些代码来制作自己的偏回归平滑图。1) 基本的数据设置我们正在使用这里讨论的数据集。我们使用的是国家发病率和死亡率空气污染研究（NMMAPS）的数据。我们将数据限制在1997-2000年
转载
2023-07-24 10:53:21
74阅读
在建立好灰色模型后，首先要进行模型的检验，以检验模型的效果。一般有三种检验方法：相对残差检验、关联度检验、后验差检验。当三种检验全部通过时，表明模型的效果较好，才可以使用模型进行后续的预测；否则，将要对模型进行残差修正，直到三种检验均通过为止。 这篇文章就着重阐述一下三种检验~一、检验准则 &
转载
2023-11-17 17:22:02
639阅读
文章目录前言一、对称算法1.1对称加密算法常用的五种分组模式（ECB/CBC/CFB/OFB/CTR）1.2 3DES对称算法之双倍长密钥算法和三倍长密钥算法二、RSA2.1 算法描述2.2 中国剩余定理2.3特性三、哈希四、 代码 前言本文主要有两部分，第一部分是主要是总结一些算法的特点， 第二部分是源代码，主要是基于GMSSL库的正确性测试和性能测试GmSSL项目是OpenSSL项目的分支，
转载
2024-01-10 11:48:30
72阅读
1、引言E，expectation（期望）；M，maximization（极大化）； EM算法，又称期望极大算法。EM已知的是观察数据，未知的是隐含数据和模型参数，在E步，我们所做的事情是固定模型参数的值，优化隐含数据的分布，而在M步，我们所做的事情是固定隐含数据分布，优化模型参数的值。为什么使用EM 算法？ EM算法使用启发式的迭代方法，先固定模型参数的值，猜想模型的隐含数据；然后极大化观测数据
转载
2024-03-25 09:11:39
76阅读
GMM算法
第一章引子假设放在你面前有5篮子鸡蛋，每个篮子有且仅有一种蛋，这些蛋表面上一模一样，就是每一种蛋涵盖有且只有一种维生素，分别是A、B、C、D、E。这个时候，你需要估计这五个篮子的鸡蛋的平均重量μ。 首先有个总的假设： 假设每一种维生素的鸡蛋的重量都服从高斯分布。 这个时候，因为每个篮子的鸡蛋包含有且只有一种，并且彼此之间相同的维生素，即每个篮子的鸡蛋都服从相同的分布，这个时候
转载
2023-08-31 10:07:46
249阅读
GMP模型GMP模型的演进过程1）GM模型在Go1.0版本是Go的调度方式为GM模式，但是其有几个严重不足：限制了Go并发编程的的伸缩性 单一全局互斥锁和集中状态存储的存在导致所有goroutine相关操作都要上锁 goroutine的传递问题：经常在M之间传递“可运行”的goroutine回导致调度延迟增大，带来额外的性能损耗 每个M都做内存缓存，导致内存占用过高，数据局部性较差。 因系统调用而
看了很多博文，包括《统计学习知识》和西瓜书上对GMM算法的推导，总有些重要的步骤被略去（比如从公式一推到公式二，书上直接给出结果，却没有具体步骤），导致理解整个算法非常困难。后来幸运地发现一篇博文，使用了对我而言易于理解的语言，重要把整个推导过程疏通成功，最后在纸上手推了一遍，真是酣畅淋漓！算法实现很简单，结构跟K-均值形似，参数的推导过程不用体现在代码上，直接根据推导出来的公式计算就
转载
2023-11-18 10:11:51
138阅读
注： 本文是R语言sf包的核心开发者和维护者——来自德国明斯特大学的地理信息学教授：
Edzer Pebesma 的一篇关于sf包的简介，发表于2018年7月的R语言期刊，主要讲述了sf的定位、功能、开发现状及现存问题和今后展望，sf包是一个非常了不起的工具，在R语言中引入了空间数量分析领域通用的标准规范（simple feature），结合tidyverse工具箱组合
转载
2023-06-30 18:38:28
419阅读
# 使用Java实现GMM算法
## 简介
GMM（Gaussian Mixture Model）是一种常用的聚类算法，它假设数据集由多个高斯分布组成。这篇文章将教你如何使用Java实现GMM算法。
## GMM算法流程
下面是GMM算法的主要步骤，我们用一个表格来展示每个步骤。
步骤 | 描述
-----|-----
初始化 | 随机初始化每个高斯分布的参数（均值和方差），以及每个高斯分布
原创
2023-08-05 12:31:31
116阅读
最近看到论文中很多地方提到EM算法，之前对EM算法只是大概知道是一个参数优化算法，而不知道具体的过程，通过阅读相关的资料，大概了解了其推导过程以及实现过程。 GMM模型就是由若干个高斯分量相互组成的，通过混合的高斯模型来逼近样本的真实分布。 &nbs
本文所涉及的内容的先修知识：1、概率统计相关知识，统计机器学习；KL散度；信息熵；2、拉格朗日乘子法；3、KMeans聚类算法、混合高斯分布模型（GMM）和隐马尔可夫（HMM）模型。首先，EM算法的E是，Expectation，指的是期望；M代表的是Max。就如这个算法的名字本身所表现的那样，EM算法分两步走，E步骤和M步骤。在正式讲EM算法之前，我们先来考虑一个GMM的例子。现在我们有一堆数据样
转载
2023-12-05 04:07:45
90阅读
# 实现 GMM 模型的 Java 实现教程
## 1. 概述
在本教程中，我将向你介绍如何使用 Java 实现 GMM（Gaussian Mixture Model）模型。GMM 是一种基于高斯分布的概率模型，常用于聚类和密度估计等任务。
## 2. 整体流程
下面是实现 GMM 模型的整体流程：
| 步骤 | 描述 |
| --- | --- |
| 步骤1 | 加载数据 |
| 步
原创
2023-08-05 12:32:05
63阅读
