To be a better man

y=a^+b^xy=\hat a + \hat b xy=a^+b^xSxy=(x1y1+x2y2+...+xnyn)−(x1+x2+...+xn)(y1+y2+...+yn)nS_{xy}=(x_1y_1+x_2y_2+...+x_ny_n)-\frac{(x_1+x_2+...+x_n)(y_1+y_2+...+y_n)}{n}Sxy​=(x1​y1​+x2​y2​+...+xn​yn​)−...

python代码实现：import numpy as npimport mathdef ST(arr): sum = 0 sum1 = 0 for i in range(len(arr)): sum+=arr[i]**2 sum1+=arr[i] return sum-(sum1**2)/len(arr)def SA(arr): sum1 = 0 sum2 = 0...

求谁σ是否已知\sigma是否已知σ是否已知置信区间置信区间求μ\muμσ未知\sigma未知σ未知1−α1-\alpha1−α(X‾−σ(n)Zα2,X‾+σ(n)Zα2)(\overline X- \frac{\sigma}{\sqrt(n)}Z_{\frac{\alpha}{2}},\overline X+\frac{\sigma}{\sqrt(n)}Z_{\f...

已知:X服从XX服从XX服从X~N(1,2σ2)的正态分布N(1,2\sigma^2)的正态分布N(1,2σ2)的正态分布已知：σ^2=12n∑i=1n(xi−1)2\hat\sigma^2=\frac{1}{2n}\sum_{i=1}^{n}(x_i-1)^2σ^2=2n1​∑i=1n​(xi​−1)2已知：f(x1,x2,...,xn;σ2)=(14πσ2)ne−14σ2∑i=1n(xi−...

假设何时拒绝H0H_0H0​H0:μD=0,H1:μD≠0H_0:\mu_{D}=0,H_1:\mu_D\not=0H0​:μD​=0,H1​:μD​​=0∥D‾SD/n∥≥tα2(n−1)\|\frac{\overline D}{S_D/\sqrt{n}}\| \ge t_{\frac{\alpha}{2}}(n-1)∥SD​/n​D​∥≥t2α​​(n−1)H0...

假设情况已知条件何时拒绝H0H_0H0​μ1−μ2=σ\mu_1-\mu_2=\sigmaμ1​−μ2​=σσ1,σ2\sigma_1,\sigma_2σ1​,σ2​x‾1−x‾2−σσ12n1+σ22n2≥Zα2\frac{\overline x_1-\overline x_2-\sigma}{\sqrt{\frac{\sigma^2_1}{n_1}+\frac{\si...

假设已知条件何时拒绝H0H_0H0​H0:μ=μ0，H1:μ≠μ0H_0:\mu = \mu_0，H_1:\mu\not=\mu_0H0​:μ=μ0​，H1​:μ​=μ0​σ\sigmaσX‾−μ0σ/n≥Zα2\frac{\overline X - \mu_0}{\sigma/\sqrt{n}}\ge Z_{\frac{\alpha}{2}}σ/n​X−μ0​​≥...

具体的说，Gibbs抽样是已知多维随机变量X=(X1,X2,...,Xn)X = (X_1,X_2,...,X_n)X=(X1​,X2​,...,Xn​)的联合概率分布p(x1,x2,...,xn)p(x_1,x_2,...,x_n)p(x1​,x2​,...,xn​),，求X的函数G(X)的数学期望的方法：给出一组初始抽样(如随机抽样)；利用联合概率分布和当前抽样，计算每一分量的条件概率分...

建立因子分析模型的目的，不仅要找到公共因子，更需要解析公共因子的实际意义，以便进行进一步的分析。如果没饿公共因子的含义不清，不便于因子进行实际应用。由于因子载荷阵不唯一，可以对因子载荷阵进行旋转，使因子载荷阵的结构简化，使每列或行的元素平方值想0和1两极分化。有助于解释因子的意义。三种主要的正交旋转法：四次方最大法方差最大法等量最大法因子分析步骤：搜集x样本-> Σ,R\...

X=(X1,X2,...,xn)TX=(X_1,X_2,...,x_n)^TX=(X1​,X2​,...,xn​)T->y=a′xy=a^{'}xy=a′x----->Var(y)=a′Σa−>>>maxVar(y) =a^{'}\Sigma a ->>>maxVar(y)=a′Σa−>>>maxVar(X)=Var(X)=Var...

给定数据集dataSet，每一行代表一组数据记录,每组数据记录中，第一个值为房屋面积（单位：平方英尺），第二个值为房屋中的房间数，第三个值为房价（单位：千美元），试用梯度下降法，构造损失函数，在函数gradientDescent中实现房价price关于房屋面积area和房间数rooms的线性回归，返回值为线性方程 ???????????????????? = θ0\theta_0θ0​+θ1\theta_1θ1​∗????????????????+...

方法适用问题模型特点模型类型学习策略学习的损失函数学习算法感知机二分类分离超平面判别模型极小化误分点到超平面距离误分点到超平面的距离随机梯度下降k紧邻算法多类分类；回归特征空间，样本点判别模型朴素贝叶斯法多类分类特征与概率的联合概率分布，条件独立假设生成模型极大似然估计，极大后验概率估计对数似然损失概率计算公式，EM算法...

统计学习由 监督学习，非监督学习，半监督学习和强化学习组成。监督学习方法主要包括 分类、标注 与 回归问题回归问题：输入变量 和 输出变量 均为连续变量的预测问题分类问题：输出变量为有限个离散变量的预测问题标注问题：输入与输出变量均为变量序列的预测问题统计学习三要素：模型，策略，算法损失函数度量模型一次预测的好坏风险模型度量平均意义下模型预测好坏****************...

字符含义R实数集Rnn维实数向量空间，n维欧式空间H希尔伯特空间X输入空间Y输出空间x∈X输入，实例y∈Y输出，实例X随机输入变量Y随机输出变量T={(x1,y1),(x2,y2),…,(xN,yN)}训练数据集N样本容量(xi,yi)第i个训练数据点x={(x(1),y(1)),(...