- 博客(23)
- 收藏
- 关注
RSS订阅原创 【因果推断与机器学习】G-Methods时变混杂因素的因果推断
g方法比标准回归方法（例如线性、逻辑、考克斯回归）限制性更小的识别条件下提供了对潜在结果的对比（例如差异、比率）的一致估计。
2025-01-07 22:38:57
713
翻译 【时间序列】格兰杰因果关系检验
在这个特定的例子中，我们可以说 NIA 释放流量的变化会格兰杰作用于大坝水位的变化。反之，大坝水位的变化也会格兰杰作用于 NIA 下泄流量的变化。这意味着 NIA 释放流量数据可改善大坝水位预测性能的变化，而大坝水位数据也可改善 NIA 释放流量预测性能的变化。我们可以看到，与 Ipo 大坝不同，对于 La Mesa 大坝而言，NIA 下泄流量的变化与大坝水位的变化并不互为格兰杰原因。这意味着 NIA 下泄流量数据不会改善大坝水位预测性能的变化，而大坝水位数据也不会改善 NIA 下泄流量预测性能的变化。
2024-11-17 17:24:50
473
翻译 【时间序列】Vector Autoregressive Methods
Vector Autoregressive Methods在此之前，我们已经介绍了预测单一/单变量时间序列的经典方法，如 ARIMA（自回归整合移动平均）模型和简单线性回归模型。 我们了解到，使用自回归整合移动平均模型时，静止性是一个必要条件，而使用线性回归模型时则无需强加这一条件。 在本笔记本中，我们将预测问题扩展到一个更广义的框架中，即处理具有多个时间变量的多变量时间序列。 更具体地说，我们将介绍向量自回归（VAR）模型，并展示如何将其用于预测多变量时间序列。Multivariate Time Se
2024-11-16 23:11:47
135
翻译 【时间序列】时间序列的线性、趋势和动量预测
现在我们来看动量和趋势预测中的常用工具。我们将看到这两个关于动量和趋势的主题是相辅相成的，即动量预测是基于趋势预测的使用。在本节中，我们将通过考虑技术分析中的应用和股票交易中的策略来讨论。其中，最常用的工具是。
2024-11-14 20:22:50
213
翻译 Introduction to Bayesian Inference
近年来，由于计算统计学的重要进展，贝叶斯推理得到了蓬勃发展。本书将重点介绍用于近似贝叶斯推理的集成嵌套拉普拉斯近似（INLA、Havard Rue、Martino 和 Chopin 2009）。INLA 是贝叶斯统计领域最近的几项计算突破之一，可实现快速、准确的模型拟合。本简介的目的不是全面介绍贝叶斯推理，而是介绍本书其他章节的一些符号和上下文。对于那些可能需要的读者，最近的贝叶斯推理介绍性文本包括 Kruschke (2015) 和 McElreath (2016)。
2024-07-20 18:55:04
202
1
原创 【时间序列】时间序列的线性、趋势和动量预测
回到自相关图与滞后的关系，该图显示，随着滞后的增加趋势减小。如果我们将滞后数据作为原始数据的移动版本并查看重叠（在本例中为它们的自相关），则可以更好地想象滞后自相关的概念。的绝对值之和，因此惩罚项在零点处是不可导的，所以也不能用最小二乘法，梯度下降法，用的是坐标下降法。，而这样的求解，在有的时候会出现问题，当自变量间存在多重线性关系或者矩阵不可求逆时，这种求法就会出错或者是参数。由公式（6）可以看出公式（8）分子的第三项和第四项相等，分母的第三项和第四项就是将分子的第三项和第四项中的。
2024-02-17 15:45:54
2013
1
原创 用神经网络预测说明Takens定理
这种预测过程通常需要接受某种数据或输入，并产生一个输出，对于我们乐观的灵魂来说，这将是他们的股票或密码在第二天下午的价格。事实证明，多使用一个变量只能给我们更多的信息，而使用三个以上的变量并不能给我们更多的信息。一个吸引子有几个重要的特征:所有的轨迹将遵循一个类似蝴蝶的模式，一个轨迹将不会访问同一个点超过一次，并且开始彼此接近的轨迹将在以后看起来非常不同。这里的要点是，当只使用两个数据点时，神经网络有较大的损失，大约 0.13，而没有太大的改进，当最多使用四个数据点时，仍然徘徊在 0.04 左右。
2023-09-26 00:13:43
457
原创 Takens嵌入定理以非数学公式的角度解释
1981年，芙罗莉丝·塔肯斯发表了一篇名为“探测湍流中的奇怪吸引子”的论文，该论文被引用了14000多次(据谷歌称)。如果你看原始论文，它非常专业，对于像我这样对代数、分析、拓扑或动力系统理论没有很好理解的人来说很难理解。然而，这个定理的含义远远超出了这些领域。这篇文章旨在提炼定理，以便更好地理解，同时希望不会丢失太多信息。像图像压缩算法一样，我们不可避免地会丢失一些信息，但希望图片还在。
2023-09-23 19:11:45
1376
1
原创 【可解释性机器学习】Permutation Feature Importance
排列特征重要性测量我们在排列了特征值后模型预测误差的增加，这打破了特征与真实结果之间的关系。
2023-06-28 11:54:45
758
1
原创 【嵌入式拉普拉斯近似】Integrated Nested Laplace Approximation
在贝叶斯范式中，模型中的所有未知量都被视为随机变量，其目的是计算（或估计）联合后验分布。这就是参数θ的分布，以观测数据y为条件。Pθ∣xPx∣θ⋅Pθ∫θPx∣θ⋅PθdθPθ∣x∫θPx∣θ⋅PθdθPx∣θ⋅Pθ等式左边项Pθ∣XPθ∣X表示后验概率，其中Pθ∣X∝Pθ⋅PX∣θPθ∣X∝Pθ⋅PX∣θPx∣θPx∣θ表示似然。
2023-06-18 11:18:47
1463
翻译 【可解释机器学习】Shapley Values and SHAP (SHapley Additive exPlanations)
在这一章节首先我们介绍什么是shapley value(夏普利值)和什么是SHAP。接下来先从原理上解释shapley的数学原理。
2023-03-29 23:24:30
6457
2
翻译 【可解释性机器学习】interpretable machine learning——Functional Decomposition
可解释性机器学习函数分解
2023-03-21 20:59:34
399
原创 【论文笔记】Tensor Completion for Weakly-dependent Data on Graph for Metro Passenger Flow Prediction
论文笔记目录前言Introduction前言最近有荔枝要成为最有钱途的科研小哥，哼！所以开始了苦逼的科研生活，所以需要分享我的论文笔记，并且希望能够跟众大科研学者沟通交流以及多多请教！好了话不多说开始本次第一个论文笔记分享。首先分享一下这篇论文的摘要内容，这篇文章的摘要主要讲了：“低秩张量分解和完全吸引了众多学者的极大兴趣。然而，低秩结构是一种全局属性，当给定特定的图结构时，数据呈现复杂且弱的依赖关系时，它将无法实现。推动这项研究的一个特殊应用是时空数据分析。如初步研究所示，弱依赖可能会恶化低秩张量完
2022-03-01 22:55:22
522
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人