一、统计学基本概念：均值、方差、标准差 统计学里最基本的概念就是样本的均值、方差、标准差。首先，我们给定一个含有n个样本的集合，下面给出这些概念的公式描述： 均值：方差：标准差： 均值描述的是样本集合的中间点，它告诉我们的信息是有限的。
方差（variance)是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。
数学知识扩展期望和方差期望在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。方差方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。方
一、数学概念参考：方差、标准差和协方差三者之间的定义与计算1. 方差方差是各个数据与平均数之差的平方的平均数。在概率论和数理统计中，方差（英文Variance）用来度量随机变量和其数学期望（即均值）之间的偏离程度。在许多实际问题中，研究随机变量和均值之间的偏离程度有着很重要的意义。2. 标准差方差开根号。3. 协方差在概率论和统计学中，协方差用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况
# R语言中的VIF膨胀系数：理解多重共线性
在回归分析中，多重共线性是一个常见的问题，尤其是在处理包含多个预测变量的模型时。那么，如何评估这一问题的严重程度呢？这就是我们今天要讨论的VIF（方差膨胀因子）膨胀系数。
## 什么是VIF？
VIF（Variance Inflation Factor）是一种衡量回归模型中自变量之间多重共线性的统计量。简单来说，如果某个自变量的VIF值高，就表示
热力学与统计物理NJU AS 2021 Taught by YiZhang CONTENT热力学与统计物理NJU AS 2021 Taught by YiZhangChapter 11.三个物理量2.范式方程3.功4.热力学第一定律5.热容6.理想气体的内能7.理想气体的绝热过程8.卡诺热机9.熵10.热力学第二定律11.自由能和吉布斯函数Chapter 21.麦氏关系2.热容3.可逆的等焓过程4
转载
2024-07-15 06:35:18
103阅读
逻辑回归不是回归算法，是分类算法，可以处理二元分类以及多元分类。线性回归线性回归的模型是求出特征向量Y和输入样本矩阵X之间的线性关系系数θ，满足Y = Xθ。此时Y是连续的，所以是回归模型。对应n维样本数据，对应的模型是这样的： 其中θ为模型参数。一般用均方误差作为损失函数，损失函数的代数法表示如下：用矩阵形式表示为：采用梯度下降法，则θ的迭代公式为：如果采用最小二乘法，则θ为在这里最小
转载
2024-05-14 21:35:06
35阅读
@(文章目录) ✌ 多重共线性检验-方差膨胀系数（VIF） 1、✌ 原理： 方差膨胀系数是衡量多元线性回归模型中多重共线性严重程度的一种度量。 它表示回归系数估计量的方差与假设自变量间不线性相关时方差相比的比值。 2、✌ 多重共线性： 是指各特征之间存在线性相关关系，即一个特征可以是其他一个或几个特 ...
转载
2021-04-26 09:50:00
10000+阅读
2评论
文章目录多重共线性检验-方差膨胀系数（VIF）1、原理：2、多重共线性：3、检验方法：方差膨
原创
2023-01-26 18:31:48
6812阅读
关于期望、方差、协方差、协方差矩阵的定义和计算：?期望是线性的。方差（variance）衡量的是对数据x依据它的概率分布采样时，随机变量x的函数值会呈现多大的差异。方差的平方根为标准差（standard deviation）。协方差（covariance）在某种意义上给出了两个变量线性相关性的强度。以下部分内容参考链接：?普通的伯努利分布和二项分布首先，假设我们扔了一个不均匀的硬币，也就是说，一个
转载
2024-06-14 14:33:01
156阅读
本篇文章要分享的是基于MATLAB的腐蚀膨胀算法实现，腐蚀膨胀是形态学图像处理的基础，腐蚀在二值图像的基础上做“收缩”或“细化”操作，膨胀在二值图像的基础上做“加长”或“变粗”的操作。 什么是二值图像呢？把一幅图片看做成一个二维的数组，那么二值图像是一个只有0和1的逻辑数组，我们前面Sobel边缘检测后的图像输出边缘效果，设置个阈值，大于阈值输出为1，小于阈值输出为0，最后输出就是一幅二维图像了
转载
2024-06-07 14:27:50
97阅读
# 方差膨胀因子 (VIF) 在 Python 中的实现
方差膨胀因子（Variance Inflation Factor, VIF）是多重共线性分析中一个重要的工具，它可以帮助我们检测模型中自变量之间的多重相关性。当 VIF 值较高时，表明该自变量与其他自变量有较强的线性关系，从而影响模型的估计性能。在本文中，我们将介绍如何在 Python 中计算 VIF 值，并通过实例展示其应用。
##
原创
2024-08-01 05:31:07
316阅读
膨胀系数学习笔记膨胀系数（inflation factor）是多元线性回归中解决自变量共线性问题的工具之一，可以用来判断自变量之间是否存在共线性。本文将介绍膨胀系数的概念、计算方法以及如何应用膨胀系数来解决共线性问题。什么是膨胀系数？膨胀系数是用于判断多元线性回归模型中自变量共线性程度的指标。通常情况下，我们用方差膨胀因子（VIF）来表示膨胀系数。VIF是一种广义的方差膨胀因子，表示一个自变量的方
转载
2023-11-07 04:11:53
115阅读
HBase安装什么是HbaseHbase特点Hbase架构Hbase安装单机模式伪分布式模式完全分布式增加RegionServer节点增加备份的HMaster 什么是Hbase官网官方文档历史版本分布式、可扩展的Nosql数据库，用于存储结构化、半结构化数据高可靠、高性能、面向列存储，适用稀疏数据，便于统计分析可以利用廉价的PC机扩展---->存储、处理海量数据Hbase特点海量存储，PB
转载
2024-09-06 10:25:44
45阅读
在实际研究中，确定方差膨胀因子（VIF）的阈值没有固定的规则，而是根据具体的研究背景、数据特性和模型要求来决定。以下是一些因素，研究人员可能会根据这些因素来设定VIF的阈值：1. 研究领域和惯例不同的学科领域可能有不同的共线性容忍标准。例如，在社会科学领域，由于数据往往较为复杂且变量间关联密切，较高的VIF（如10）可能被接受。而在一些需要高精度预测的技术和科学领域，可能更倾向于使用更低的VIF阈
转载
2024-08-15 10:35:09
126阅读
偏误处理之三 共线性假定SLR.2 解释变量X是确定性变量，不是随机变量，且各解释变量之间无完全多重共线性(相关性)。某两个变量或者多个变量之间相关性太强，或某一个变量能被其他变量线性表示，则存在多重共线性问题。后果：完全共线性下(很少)参数估计量不存在(即某些系数无法估计出来结果)近似共线性下(常见)系数估计量方差很大，影响t检验、F检验可能导致系数经济含义不合理。检验：差膨胀因子VIF是否
转载
2023-12-27 15:43:53
238阅读
在注意力机制文章Attention Is All You Need中，作者在计算dot-product attention时，引入了一个scaled因子，即 之所以引入scaled因子，是让数据符合0均值、方差1的分布。因为qkT内积操作后，数据期望为0、方差为dk，那么softmax梯度会消失。 接下来就开始解释原因。引入期望、方差的定义1、期望 期望计算的是样本的均值，描述一个随机变量的集中位
转载
2024-06-02 23:31:17
61阅读
前言：本文的个别内容、图片出自各个博客，但是因时间较久目前找不到原作者链接，如有需要，烦请各位原作者联系我。目录一、什么是膨胀卷积？为什么要用膨胀卷积二、膨胀卷积的特点（优点）三、膨胀卷积特点的理解1、先看特点②：可以保证输出的特征映射（feature map）的大小保持不变2、膨胀卷积特点1:增大了卷积核的感受野 四、膨胀卷积的问题4.1 gridding effect4.2长距离的信
转载
2023-08-30 16:20:04
527阅读
目录前言1. 什么是膨胀卷积？2. 为什么在语义分割任务中需要用膨胀卷积？3. Gridding Effect是什么？3.1 实验一3.2 实验二3.3 实验三4. Hybird Dilated Convolution (HDC)5. 效果对比参考 前言在语义分割任务的编程实现中，通常会用到膨胀卷积（Dilated convolution），或者说是空洞卷积。那么什么是膨胀卷积呢？Griddin
Time will tell.1、列表生成器下面的代码会报错，为什么？class A(object):
x = 1
gen = (x for _ in xrange(10)) # gen=(x for _ in range(10))
if __name__ == "__main__":
print(list(A.gen))答：这个问题是变量作用域问题，在 gen=(x f
前言构建多元线性回归模型时，如果能够充分的使用已有变量，或将其改造成另一种形式的可供使用的变量，将在一定程度上提高模型精度及其泛化能力。因为数据集中的名义变量(或叫类别变量)是无法直接使用的，所以虚拟变量(又叫哑元变量)的设置便是非常经典且必须掌握的一步，原理简单，实现优雅，效果拔群。原理趣析至于虚拟变量的官方解释和值得参考的短小精悍的论文集和虚拟变量的深度应用及拓展，笔者都已经打包放在了后台，文
转载
2023-12-29 19:53:15
131阅读
