相关推荐
有偏估计 and 无偏估计
本篇为《深度学习》系列博客的第六篇,该系列博客主要记录深度学习相关知识的学习过程和自己的理解,方便以后查阅。 看PCA时遇到方差计算公式分母是n-1而不是n,于是查阅资料就发现有偏估计和无偏估计,并且可以把有偏估计转换为无偏估计,这里做一下笔记。 有偏估计 and 无偏估计均值 - 无偏估计方差 - 有偏估计为什么样本方差(sample variance)的分母是 n-1? 均值 - 无偏估计 现实中常常有这样的问题,比如,想知道全体女性的身高均值μ\muμ,但是没有办法把每个女性都进行测量,只有抽样一些女
统计学1
样本和总体统计学关心的是对样本进行描述性统计,然后推断出总体的情况。对样本进行统计分析,一般能帮助估计总体的参数。μ\mu代表总体均值,X¯\bar{X} 表示样本均值。公式:μ=∑Ni=1xiN\mu =\frac{\sum_{i=1}^{N}x_{i}}{N},X¯=∑ni=1xin\bar{X}=\frac{\sum_{i=1}^{n}x_{i}}{n},其中,总体的个数N,样本(总体的子集)
【机器学习】【数学推导】极大似然估计MLE
一、什么是极大似然估计(MLE) 极大似然估计(maximum likelihood estimation),是一个利用已知的样本结果,反推最有可能(最大概率)导致这样结果的参数值的方法 二、举例说明 举例一个关于MLE经常用的一个例子来说明MLE要做的事情: 假设一个盒子里有未知数量、未知比例的黑色球、白色球,现在我们想了解一下两种颜色球的比例,但是我们只能进行下记步骤: 从盒子中...
样本方差的无偏估计:从数学推导到实际应用
本文深入探讨了样本方差的无偏估计原理,解释了为何使用n-1而非n作为分母来校正偏差。通过数学推导和Python模拟验证,阐明了自由度的概念及其在保证估计量无偏性中的关键作用。文章还提供了在描述性统计与统计推断等不同场景下的实用选择指南,帮助读者在数据科学与机器学习中正确应用方差估计。
【统计学习系列】多元线性回归模型(三)——参数估计量的性质
文章目录1. 前文回顾2. 衡量参数估计的指标2.1 无偏性2.2 一致性2.3 有效性3. 一些引理3.1 期望运算的线性性3.2 期望运算的线性性4. *β*^~OLS~ 的性质4.1 *β*^~OLS~ 服从的分布4.2 *β*^~OLS~ 与误差项之间的关系4.3 *β*^~OLS~ 的无偏性4.4 *β*^~OLS~ 的一致性4.5 *β*^~OLS~ 的有效性5. *σ*^~OLS~ ...
MATLAB统计计算的工程哲学:为什么n-1方差公式改变了机器学习?
本文探讨了MATLAB中n-1方差公式在统计计算和机器学习中的重要性。通过分析无偏估计的数学原理和实际应用案例,揭示了这一选择如何影响模型性能和跨语言工程实践。文章还展示了MATLAB在GPU加速和AI芯片优化中的创新应用,证明了统计计算的工程哲学对现代技术的深远影响。
华为设备OSPF配置全流程:从邻居关系到区域划分实战指南
本文详细介绍了华为设备上OSPF协议的完整配置流程,从基础概念到实战操作,包括邻居关系建立、多区域划分及高级特性配置。特别针对华为设备的特有语法和验证命令进行了重点讲解,帮助网络工程师快速掌握OSPF在华为环境中的部署与优化技巧,提升网络配置效率。
YOLOv8损失函数升级:从CIoU到Wise-IoU v3的实战调优与避坑指南
本文详细介绍了如何将YOLOv8的损失函数从CIoU升级到Wise-IoU v3,以提升目标检测性能,特别是在小目标检测和样本不均衡场景下的表现。通过实战调优步骤和避坑指南,帮助开发者有效应用Wise-IoU v3的动态聚焦机制和单调性控制,显著提升模型精度和训练稳定性。
【深度学习-番外1】Win10系统搭建VSCode+Anaconda+Pytorch+CUDA深度学习环境和框架全过程
本文将介绍在Windows 10系统下搭建深度学习环境的完整过程,包括安装Anaconda、CUDA、NVIDIA显卡驱动以及Pytorch框架。后续本专栏的Python语言下的深度学习环境都以本篇搭建的为准。
FI 应计对象的创建和摊销
创建/修改:ACACTREE01/ACACTREE02 应计对象的过账:ACACPOSTING
从OpenClaw到Hermes Agent:AI Agent实战部署与自动化工作流构建
AI Agent(智能体)作为大语言模型(LLM)的能力延伸,其核心原理在于通过工具调用(Tool Calling)与环境交互,使模型从“对话”走向“执行”。这一技术价值在于将自然语言指令转化为具体操作,实现业务流程自动化,从而提升开发与运维效率。在应用场景上,AI Agent广泛适用于自动化运维、智能客服、数据报告生成等重复性任务处理。本文聚焦于两大热门开源框架OpenClaw与Hermes Agent,深入探讨其部署配置、技能扩展及实战联调。通过结合OpenClaw的模块化扩展能力与Hermes Age
Android HTTPS抓包证书配置全解:Proxyman实战避坑指南
HTTPS抓包本质是中间人(MITM)通信的可信建立过程,其核心在于客户端对代理根证书的信任链配置。在Android平台,自7.0起系统默认不信任用户安装的CA证书,必须通过Network Security Config显式声明trust-anchors,将Proxyman导出的PEM格式根证书纳入App级信任锚点。这一机制区别于iOS和桌面浏览器,导致大量开发者卡在‘证书已安装却无法解密’的误区。技术价值在于打通开发调试闭环:精准定位SSLHandshakeException、绕过证书固定、支持React
【WRF-GHG 教程第一期】概述(Overview)
概述(Overview)
视觉Transformer实战 | 将卷积引入视觉Transformer(CvT)
CvT 是一种融合卷积神经网络与 Vision Transformer 优势的视觉模型,旨在解决 ViT 缺乏平移不变性和局部性等归纳偏置的问题。CvT 采用分层结构逐级降采样,使用卷积词元嵌入代替传统 patch 切分,引入卷积投影替代线性投影。这些设计使得 CvT 能够去除位置编码,在高分辨率输入下表现更优。本节深入解析 CvT 的核心原理,并提供完整的 PyTorch 代码实现,演示如何在实际数据集上训练和评估 CvT 模型。
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
efm32 入门.pdf
本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案





3646



被折叠的 条评论
为什么被折叠?



