scc的博客

Conditioning of a problem

模型评价-期望对数似然

典则相关分析关于经典的典则相关分析，下面这篇博客写的非常详细。转载：https://www.cnblogs.com/xiaohuahua108/p/6086959.html

自动分层混合PPCA1 混合PPCA2 分层混合PPCA3 自动分层混合PPCA3.1 建立分层和决定什么时候进行分裂clusters3.2 决定每个component的主子空间的维度注意：该博客来自于论文：A Hierarchical Latent Variable Model for Data Visualization和Automated Hierarchical Mixtures of Probabilistic Principal Component Analyzers，仅用于学习，转载请注明出

基于HBIC准则的混合PPCA的有效的模型选择1 引言2 Mixtures of probabilistic PCA(MPCA)2.1 EM 算法3 模型选择方法3.1 two-stage methods3.2 one-stage 方法4 Hierarchical BIC(H-BIC)4.1 BIC和MML的区别和联系5 两个算法5.1 修改的EM算法注意：本博客来源于Efficient Model Selection for Mixtures of Probabilistic PCA via Hier

因子旋转的理论基础varimax 方法varimax的理论基础varimax的缺点内容来自factor analysis as a statistical method.varimax 方法varimax的理论基础在varimax旋转方法出现之前，通常使用旋转的图形方法，目的是消除负的因子载荷(loading)并且尽可能少的非0因子载荷来描述数据。但这种方法具有一定的主观性。varimax方法与图形方法在某种程度上具有相似的特点。 与原始的因子载荷相比，用这种方法对因子进行旋转得到的新的因子载

如何用R语言中lda函数求解线性判别分析的线性判别边界转载：https://esl.hohoweiya.xyz/notes/LDA/sim-4-5/index.html

用matlab做因子分析转载：http://t.zoukankan.com/TreeDream-p-8337791.html

多指标面板数据因子分析1 多指标面板数据的统计特征2 多指标面板数据因子分析的过程（董锋等2009）2.1 原始数据标准化2.2 对标准化后的数据建立传统的因子分析模型2.3 计算因子得分2.4 面板数据公共因子总得分2.5 面板数据综合总得分3 多指标面板数据因子分析的分层模型（肖启华等2015）3.1 模型描述3.2 模型过程3.2.1 截面传统因子分析建模3.2.2 面板（时间维度）因子分析建模3.2.3 面板数据评价函数和评价值3.2.4 实施步骤1 多指标面板数据的统计特征严格来说,多指标面板

统计计算例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档蒙特卡洛积分和方差缩减技术统计计算前言1 蒙特卡洛积分2 方差缩减1.引入库2.读入数据3 对偶变量法4 控制变量法5 重要性抽样（Importance Sampling,IS）6 分层抽样（Stratified Sampling,SS）7 分层重要性抽样前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，

sweep operator转载：http://node101.psych.cornell.edu/Darlington/sweep.htm转载：https://blog.youkuaiyun.com/weixin_41929524/article/details/85269066

为什么梯度方向就是函数上升最快的方向转载：https://blog.youkuaiyun.com/weixin_42398658/article/details/83017995

Task4-tppca的理论推导1 tppca模型1.1 预备知识1.2 模型形式2 推导要用的分布2.1 (tn∣xn,τn)(t_{n} \mid x_{n}, \tau_{n})(tn​∣xn​,τn​)的分布2.2 (tn∣τn)(t_{n} \mid \tau_{n})(tn​∣τn​)的分布（该博客是自己在完成老师任务时经过查阅资料自行推导并整理的笔记，在变量的字母符号设置上前后有所差异，但不影响阅读，如有错误，请联系我，此笔记仅用于学习，如需转载，请注明来源，谢谢！）1 tppca模型1

计算复杂度

随机数生成方法1 引言2 随机数生成方法-逆变换方法(Inverse Transform Method)（本篇博客是自己根据导师的统计计算课程的课件自行整理可得，如有错误，请联系我，此笔记仅用于学习，如需转载，请注明来源，谢谢！）1 引言计算统计的基本工具就是要从指定的概率分布中生成随机变量，最基本最重要的是均匀分布的伪随机数生成器，其他概率分布的随机数生成方法大都依赖于均匀分布随机数生成器。在R语言中，均匀分布的随机数的生成为：runif(n) #generate a vector of siz

GLRAM-矩阵的广义低秩近似1 引言2 矩阵的低秩近似（Low rank approximations of matrices）3 矩阵广义低秩近似（Generalized low rank approximations of matrices）3.1 问题表述3.2 主要算法4 相关工作5 实验研究6 结果和未来工作1 引言2 矩阵的低秩近似（Low rank approximations of matrices）3 矩阵广义低秩近似（Generalized low rank approximat

矩阵范数转载：下面这篇博客写的很详细。https://blog.youkuaiyun.com/pipisorry/article/details/51030563

Arc length distance注：该观点是对论文THE GEOMETRY OF ALGORITHMS WITH ORTHOGONALITY CONSTRAINTS的整理。Arc length distance 是一种度量两个子空间距离的一种定义。假设定义θi(i=1,...,p)\theta_i(i=1,...,p)θi​(i=1,...,p)是由n−by−pn-by-pn−by−p的正交矩阵Y1Y_1Y1​和Y2Y_2Y2​的列所张成的两个子空间之间的主角（prinpical angles）

2DPCA引言2DPCA的思想和算法特征抽取（feature extraction）分类方法基于2DPCA的图像重构（本篇博客来自于Two-Dimensional PCA:A New Approach to Appearance-Based Face Representation and Recognition论文，是自己在完成老师任务时经过查阅资料自行整理的笔记，在变量的字母符号设置上前后有所差异，但不影响阅读，如有错误，请联系我，此笔记仅用于学习，如需转载，请注明来源，谢谢！）引言2DPCA是针对

统计评估的参数和非参数方法

Bootstrap estimate of prediction error1 一般方法2 改进方法1 - the more refined bootstrap approach3 改进方法2 - 0.632 bootstrap estimate4 结果参考书目1 一般方法定义一个测量误差的函数Q（表示的是响应变量yyy和预测值y^\hat{y}y^​之间的差异），对回归模型来说，一般选择平方损失函数，分类问题一般选择示性函数Q=I(y≠y^)Q = I(y \neq \hat{y})Q=I(y​=y

Task2Isotropic Covariance Model模型方程形式Diagonal Covariance Model概率PCA当q=1q=1q=1时当q=2q=2q=2时当q=3q=3q=3时Full Covariance ModelIsotropic Covariance ModelIsotropic Covariance Model 是概率PCA模型的一种特殊例子（即潜变量的维度q=0q=0q=0）.协方差矩阵C=σ2IC=\sigma^2IC=σ2I，协方差矩阵仅包含一个自由参数。模型方