（视频在Task4中已看完，主要写一下主要的几个问题）1.什么是Bootstrap?称为“自助法”，是指用原样本自身的数据抽样得出新的样本及统计量，是一类Monte Carlo方法，实质是对观测信息进行再抽样，进而对总体的分布特性进行统计推断。由于从总体中重复多次抽取样本常常是不方便甚至无法实施的，因此Bootstrap只从总体中抽取一次样本，再在这个样本中进行多次有放回地抽样，得到多个“样本的样
转载
2024-09-13 20:29:27
60阅读
在数据挖掘中，K-Means算法是一种cluster analysis的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。问题K-Means算法主要解决的问题如下图所示。我们可以看到，在图的左边有一些点，我们用肉眼可以看出来有四个点群，但是我们怎么通过计算机程序找出这几个点群来呢？于是就出现了我们的K-Means算法（Wikipedia链接）K-Means要解决的
我们知道参数的置信区间的计算，这些都服从一定的分布(t分布、正态分布），因此在标准误前乘以相应的t分值或Z分值。但如果我们找不到合适的分布时，就无法计算置信区间了吗？幸运的是，有一种方法几乎可以用于计算各种参数的置信区间，这就是Bootstrap 法。相关视频本文使用BOOTSTRAP来获得预测的置信区间。我们将在线性回归基础上讨论汽车速度和制动距离数据（查看文末了解数据获取方式）。> re
转载
2023-07-05 21:55:40
1542阅读
统计学习导论(ISLR)小编大四统计在读，目前保研到统计学top3高校继续攻读统计研究生。文章目录统计学习导论(ISLR)5. 重采样方法5.1 交叉验证5.1.1 简单的验证集方法5.1.2 留一法交叉验证（LOOCV）5.1.3 K折交叉验证5.1.4 k折交叉验证的偏差方差权衡5.1.5 分类问题上的交叉验证5.2 Bootstrap5. 重采样方法重抽样方法是现代统计学中不可缺少的工具。通
转载
2023-08-28 12:36:42
840阅读
# Bootstrap重抽样在R语言中的应用
Bootstrap是一种统计学中常用的重抽样方法，通过从原始数据中有放回地抽取样本来估计总体参数的分布。在R语言中，我们可以使用一些库来实现Bootstrap重抽样的功能，如boot和bootstrap等。本文将介绍Bootstrap重抽样的原理以及在R语言中的应用，并通过代码示例来演示具体的实现过程。
## Bootstrap重抽样原理
Boo
原创
2024-07-01 05:28:34
415阅读
1 booststraping：意思是依靠你自己的资源，称为自助法，它是一种有放回的抽样方法，它是非参数统计中一种重要的估计统计量方差进而进行区间估计的统计方法。其核心思想和基本步骤如下：（1）采用重抽样技术从原始样本中抽取一定数量（自己给定）的样本，此过程允许重复抽样。（2）根据抽出的样本计算统计量T。（3）重复上述N次（一般大于1000），得到统计量T。（4）计算上述N个统计量T的样本方差，得
# 使用 R 语言实现 Bootstrap 检验的详细教程
## 引言
Bootstrap 检验是一种非参数统计方法，可用于评估估计值的稳定性和置信区间。它通过随机抽样来构建采样分布，是一种非常灵活且有效的统计推断工具。本教程旨在帮助刚入行的小白掌握如何在 R 语言中实现 Bootstrap 检验，通过一步一步的指导和代码示例，帮助您快速理解这项技术。
## 流程概述
为了实现 Boots
原创
2024-09-18 06:44:20
481阅读
一、什么是Bootstrapping？ 中文翻译也叫“自助法(自举法)”。 类似于给鞋子穿鞋带，把鞋带穿进去在穿出来再穿进去。 举个例子，一个总体有五十人，没有办法直接测量总体的情况，我们就从总体中抽取一些样本，用抽取到的样本去评估总体。 &n
转载
2024-09-03 17:33:04
132阅读
# 使用R语言进行Bootstrap抽样的内部验证
## 引言
在数据分析和统计建模中，验证模型的表现至关重要。内部验证是一种常用的方法，它能帮助我们评估模型在不同数据集上的稳健性。在很多情况下，由于样本量不足，我们需要采取重抽样技术来进行验证。Bootstrap是一种广泛使用的重抽样方法，本文将介绍如何利用R语言进行Bootstrap抽样来实现内部验证，并附带完整代码示例。
## 什么是B
原创
2024-09-11 06:04:38
1308阅读
置换检验置换检验步骤： （1）与参数方法类似，计算观测数据的t统计量，称为t0； （2）将两组数据放在一个组中； （3）随机分配一半到A处理中，分配一半到B处理中； （4）计算并记录新观测的t统计量； （5）对每一种可能的随机分配重复步骤（3）~（4）； （6）将所有情况下的t统计量按升序排列，这便是基于样本数据的经验分布； （7）如果t0落在经验分布中间95%部分的外
转载
2024-09-27 09:39:39
146阅读
Bootstrap：在统计学中，自助法（Bootstrap Method，Bootstrapping或自助抽样法）是一种从给定训练集中有放回的均匀抽样，也就是说，每当选中一个样本，它等可能地被再次选中并被再次添加到训练集中。当样本来自总体，能以正态分布来描述，其抽样分布(Sampling Distribution)为正态分布(The Normal Distribution)；但当样本来自的总体无法
转载
2023-10-26 15:33:44
508阅读
假设检验总体均值的检验一个总体均值的检验大样本的检验z.test(table$PM2.5.,mu=81,sigma.x = sd(table$PM2.5.),alternative = "less",conf.level = 0.95)小样本的检验t.test(table$厚度,mu=5)检验效应量library(lsr)
cohensD(table$厚度,mu=5)两个总体均值之差的检验独立大样
转载
2023-09-05 18:49:02
141阅读
吉布斯采样算法详解为什么要用吉布斯采样通俗解释一下什么是sampling。sampling就是以一定的概率分布，看发生什么事件。举一个例子。甲只能E：吃饭、学习、打球，时间T：上午、下午、晚上，天气W：晴朗、刮风、下雨。现在要一个sample，这个sample可以是：打球+下午+晴朗。。。问题是我们不知道p(E,T,W)，或者说，不知道三件事的联合分布。当然，如果知道的话，就没有必要用gibbs
这几天总遇到sprintf，下面自己来小小地总结下~srpintf()函数的功能非常强大：效率比一些字符串操作函数要高；而且更具灵活性；可以将想要的结果输出到指定的字符串中，也可作为缓冲区，而printf只能输出到命令行上~头文件：stdio.h函数功能：格式化字符串，将格式化的数据写入字符串中。函数原型：int sprintf(char *buffer, const char *format,
转载
2024-01-19 16:11:49
5阅读
关于随机森林的简介和应用理论，请阅读之前分享的文章：关于随机森林进行分类的入门实战，请阅读之前分享的大家可以学习此文，实现分组挖掘两组或多组的特异Features，也可以展示特征的贡献度，获得分类评估的准确度，以及使用新数据进行预测，无监督的随机森林等基础技能。今天我们讲使用randomForest实现回归分析的实战代码。回归的应用主要包括时间序列预测模式，如预测股、尸体死亡时间等。本节不需要先难
转载
2023-06-21 18:59:19
319阅读
0. 为什么要用QR分解
的问题可以分成3类：
情况1：A是方阵，m=n情况2：A是over-determined的，m>n情况3：A是under-determined的，m<n在[数值计算] 条件数的例子2里，遇到的情况1（A是方阵），通过构造拉格朗日插值来使得对A求逆足够稳定。对于一般的情况下，解决思路是使用LU（LUP）分解来解决稳定性问题，在前一篇文中已经简
转载
2023-10-11 10:38:05
164阅读
通过综合案例，使学生掌握基本统计分析的各种指标的，掌握统计分析结果的可视化方法。1.调查某大学学生每周学习时间与得分的平均等级之间的关系，现抽查10个学生的资料如student.data文件所示。其中等级10表示最好，1表示最差，试用秩相关检验（Spearman检验和Kendall检验）分析学习时间和学习等级有无关系。（相关性检验）读取并查看文件提出假设：H0：学习时间和学习等级无关系H1：学习时
转载
2023-06-20 17:33:30
217阅读
一、随机模型的介绍在随机森林方法中，创建了大量的决策树。每个观察结果都被送入每个决策树。 每个观察结果最常用作最终输出。对所有决策树进行新的观察，并对每个分类模型进行多数投票。随机森林首先是一种并联的思想，同时创建多个树模型，它们之间是不会有任何影响的，使用相同参数，只是输入不同。为了满足多样性的要求，需要对数据集进行随机采样，其中包括样本随机采样与特征随机采样，目的是让每一棵树都有个性。将所有的
转载
2023-06-21 18:57:49
405阅读
前言 在Matlab、R或者S-PLUS等软件中做随机数模拟时，经过会遇到set.seed()这个函数。随机数的产生需要有一个随机的种子，因为用计算机产生的随机数是通过递推的方法得来的，必须有一个初始值。用同一台电脑，且在初始值和递推方法相同的情况下，可以产生相同的随机序列。 用计算机产生的是“伪随机数”。用投色子计数的方法产生真正的随机数 , 但电脑若也这样做 , 将会占用大量内存；用噪声发
转载
2023-07-03 17:36:45
703阅读
一、求解支持向量机。上篇笔记讲到，如何求解拉格朗日乘子向量。基本的想法就是，每次选出两个乘子，对其他的乘子赋值，此时，只剩两个乘子。问题变成了一个两元一次方程和求二元函数最小值的问题。如果乘子可以更新(既违反了KKT条件)，则把其中一个乘子用令一个乘子代替，带入到二元函数中，再求函数取最小值时(通过公式可以看出这是一个开口向上的抛物线)，未知数的值。重复上面的过程直到所有的乘子都稳定下来，不再发生
转载
2024-04-16 10:36:56
47阅读
