参数估计统计学有两大主要分支，分别是描述性统计学和推断统计学。描述性统计学用于描述和概括数据的特征以及绘制各类统计图表。总体数据，往往因为数据量太大而难以被获取，所以就有了通过较小的样本数据推测总体特性的推断统计学。 推断统计学的一个研究方向就是用样本数据估算总体的未知参数，称之为参数估计。如果是用一个数值进行估计，则称为点估计；如果估计时给出的是一个很高可信度的区间范围，则称为区间估计
转载
2023-10-16 09:33:58
78阅读
目录1、非参数模型和参数模型的区别是什么？优点缺点2、非参有什么用？3、直方图估计3.1 思想3.2 优缺点优点缺点3.3 代码实现方式一：懒人版，直接调包matplotlib histseaborn distplot方式二：我的代码实现定义直方图类测试尝试不同的区间宽度h总结参考资料： 开新坑，写一下非参课程的实验。以下是我的简易理解，不会写的太深入，可能会有错误疏漏，欢迎各位指出。若想深入了
转载
2023-07-12 09:57:11
78阅读
本文对parzen窗估计做了简单叙述，针对《模式分类》（第二版）内容进行简单探讨，使用matplotlib库直观地了解parzen窗估计的一些特点和性质。
1.简介Parzen窗估计属于非参数估计。所谓非参数估计是指，已知样本所属的类别，但未知总体概率密度函数的形式，要求我们直接推断概率密度函数本身。对于不了解的可以看一下https://zhuanlan
用于函数估计的非参数方法主要有核密度估计、局部多项式回归估计等。非参的函数估计的优点在于稳健，对模型没有什么特定的假设，只是认为函数光滑，避免了模型选择带来的风险；但是，表达式复杂，难以解释，计算量大是非参的一个很大的毛病。所以说使用非参有风险，选择需谨慎。核密度估计（kernel density estimation）是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenbla
# Python参数估计入门指南
了解参数估计是数据科学和机器学习的重要组成部分。参数估计用于通过已知数据来推断未知参数。本篇文章将指导你如何在Python中进行参数估计，并提供具体步骤和示例代码。我们将使用最大似然估计（MLE）作为例子进行演示。
## 整体流程
以下表格展示了进行参数估计的一般步骤:
| 步骤 | 描述 |
|------|------|
| 1 | 理解数据集
实验三：参数估计与非参数估计实验报告
一、实验目的通过本次实验实现机器学习中常用的参数估计和非参数估计的方法使用编程加深对最大似然估计、最大后验概率估计等方法的认识建立数据集学习使用python对多元数据进行操作二、代码框架本次实验使用的函数框架如下:1.Gaussian_function(x, mean, cov)
#计算多维(这里是2维)样本数据的概率p(x|w)，参数m
参数估计
原创
2021-08-02 14:35:52
184阅读
定义函数的时候，我们把参数的名字和位置确定下来，函数的接口定义就完成了。对于函数的调用者来说，只需要知道如何传递正确的参数，以及函数将返回什么样的值就够了，函数内部的复杂逻辑被封装起来，调用者无需了解。Python的函数定义非常简单，但灵活度却非常大。除了正常定义的必选参数外，还可以使用默认参数、可变参数和关键字参数，使得函数定义出来的接口，不但能处理复杂的参数，还可以简化调用者的代码。位置参数我
1. 实验目的理解逻辑回归模型，掌握逻辑回归模型的参数估计算法。2. 实验要求实现两种损失函数的参数估计（1.无惩罚项；2.加入对参数的惩罚），可以采用梯度下降、共轭梯度或者牛顿法等。验证：可以手工生成两个分别类别数据（可以用高斯分布），验证你的算法。考察类条件分布不满足朴素贝叶斯假设，会得到什么样的结果。逻辑回归有广泛的用处，例如广告预测。可以到 UCI 网站上，找一实际数据加以测试。3. 实验
在做分类问题时，有时候需要使用样本的概率密度函数来求其后验概率。但是很多情况下并不知道其概率密度函数的形式（即样本的分布未知），此时就需要对样本进行非参数估计，来求解其概率密度函数。\(n\)个样本点中，在某点周围取一个区间\(R_{n}\)，计算区间\(R_{n}\)的体积\(V_{n}\)以及落在\(R_{n}\)中的样本的个数\(k_{n
数理统计要解决的问题是，根据样本的信息猜测随机变量的信息。随机变量的分布可能完全未知，也可能已经判定为某类分布\(f(x,\theta_1,\cdots,\theta_k)\)，但有未知参数\(\bar{\theta}=(\theta_1,\cdots,\theta_k)\)，这是数理统计中最常研究的情景。1. 点估计 一类最简单的问题是，要求给出参数函数\(g(\bar{\theta})\
6.1点估计及R实现6.1.1矩估计R中的解方程函数:函数及所在包：功能uniroot()@stats：求解一元（非线性)方程multiroot()@rootSolve：给定n个(非线性)方程，求解n个根uniroot.all()@rootSolve：在一个区问内求解一个方程的多个根BBsolve()@BB：使用Barzilai-Borwein步长求解非线性方程组uniroot(f,interva
转载
2023-08-12 22:46:24
83阅读
对于时间序列数据，常常需要用ARIMA模型作出拟合。本文使用R语言对客运量数据作出ARIMA拟合，提供一个一般化的ARIMA模型模板。在开始前，安装并导入必要的包install.packages('fUnitRoots')#安装单位根检验包
library(fUnitRoots)
install.packages('tseries')
library(tseries)
install.packa
转载
2023-09-26 11:57:38
439阅读
对于确定性趋势的参数估计，大致有五种：常均值模型、线性模型、二次式模型、季节均值模型、余弦模型。虽然每种模型各有特点和要求，但对于参数求解，一般都是使用OLSE。其区别仅在与设计矩阵的构造。本文将介绍这五种模型参数估计的R语言自编程序的实现。 注： 1、本人最近正在学习《时间序列分析及应用》一书，本文的相关理论也来自于此书，水平有限，如有错误，还请多批评指正； 2、本文未贴出运行结果，有需要的
转载
2023-08-12 20:06:24
92阅读
# 从零开始学习如何在Python中实现正态分布参数估计
## 状态图
```mermaid
stateDiagram
[*] --> 小白入门
小白入门 --> 掌握基础知识
掌握基础知识 --> 实操练习
实操练习 --> 正态分布参数估计
正态分布参数估计 --> [*]
```
## 旅行图
```mermaid
journey
ti
解析代码中的装饰器的时候，Python把被装饰的函数作为第一个参数传给装饰器函数。如果想让装饰器接受其他参数就需要创建一个装饰器工厂函数，再把参数传给它，返回一个装饰器，然后再把它应用到要装饰的函数上。最简单的装饰器就如示例1中的register：（示例1）#BEGIN REGISTRATION_ABRIDGED
registry =[]defregister(func):print('runni
基本概念：总体，样本，统计量总体：试验的全部可能值,使用XX表示 样本：通过一定规则（放回抽样，不放回抽样）抽取得到一个样本或者一组样本。
一个个抽取得到的每一个特体也成为一个样本；一次抽取n个得到一组样本，n称为样本容量。
样本也看做是一个 随机向量 表示(X1,X2,X3,...,Xn)(X1,X2,X3,...,Xn)。在抽样实施之前，把样本看做随机变量，便于研究；在抽样实施之后，得到一
目录一、概念二、应用条件三、分析流程1、单样本t检验2、两配t检验3、两独立样本的t检验一、概念t检验又称Student's t检验，是以t分布为基础的统计分析方法。是定量资料分析中最为常见的假设检验方法。二、应用条件1、在单样本t检验中，总体标准差σ未知且样本含量较小（n<50）时，要求样本来自正态分布总体；2、两个小样本均数比较时，要求两个样本均来自正态分布总体，且两样本总体方差相等；如
转载
2023-07-09 20:47:48
212阅读
# 机器学习参数估计：从入门到实操
在机器学习领域，参数估计是构建模型的重要步骤。对于刚入门的小白来说，了解整个流程至关重要。本文将通过一系列步骤，教会你如何实现机器学习参数估计。
## 整体流程
以下是机器学习参数估计的整体流程：
| 步骤 | 描述 |
|------|----------------------
python有时候很麻烦的一点，为了运算速度，不给你做类型检查。这个特性被各路大佬当成重载的秘宝，但是有时候对工程性的项目来说并不安全。这里介绍一个notice工具，会对函数形参标注类型和实参类型不一样时进行输出提醒（不报错，不影响运行）1 from typing import get_type_hints
2 from functools import wraps
3 from inspec
转载
2023-06-20 14:48:29
120阅读
