タグ付けされた質問 「intuition」

私は背後にあるより明確な直感を得ようとしています：「あAAがBBBより可能にするなら、BBBはあAAより可能にする」すなわち ましょn （S）n(S)n(S)する空間の大きさ示すあAA及びBBB、その後、あるを 主張：P（B | A ）> P（B ）P(B|A)>P(B)P(B|A)>P(B) so n （A B ）/ n （A ）> n （B ）/ n （S）n(AB)/n(A)>n(B)/n(S)n(AB)/n(A) > n(B)/n(S) so n （A B ）/ n （B ）> n （A ）/ n （S）n(AB)/n(B)>n(A)/n(S)n(AB)/n(B) > n(A)/n(S) これはP（A | B ）> P（A ）P(A|B)>P(A)P(A|B)>P(A) 私は数学を理解していますが、なぜこれが直感的に理解できるのですか？

9 probability  inference  conditional-probability  intuition  association-measure 

pdfは通常、として記述されます。小文字のxは、そのpdfを持つ確率変数Xの実現または結果として扱われます。同様に、cdfはF X（x ）として記述され、P （X &lt; x ）の意味を持ちます。ただし、スコア関数の定義やcdfが均一に分布しているというこの導出など、状況によっては、確率変数Xが独自のpdf / cdfにプラグインされているように見えます。そうすることで、f(x|θ)f(x|θ)f(x|\theta)xxxXXXFX(x)FX(x)F_X(x)P(X&lt;x)P(X&lt;x)P(X<x)XXX新しいランダム変数 またはZ = F X（X ）。それ自体が確率変数になり、後者の場合、「解釈」F X（X ）= P （X &lt; X ）は私にはナンセンスのように見えるので、これをpdfまたはcdfと呼ぶことはもうできないと思います。Y= f（X| θ）Y=f(X|θ)Y=f(X|\theta)Z= Fバツ（X）Z=FX(X)Z=F_X(X)Fバツ（X）= P（X&lt; X）FX(X)=P(X&lt;X)F_X(X)=P(X<X) さらに、上記の後者の場合、「確率変数の累積分布関数は一様分布に従う」という文を理解していることを確信できません。cdfは関数であり、確率変数ではないため、分布はありません。むしろ、一様な分布を持つのは、独自の累積分布関数を表す関数を使用して変換された確率変数ですが、この変換がなぜ意味があるのか​​はわかりません。同じことがスコア関数にも当てはまります。ここでは、独自の対数尤度を表す関数にランダム変数を挿入します。 私はこれらの変換の背後にある直感的な意味を考え出そうと何週間も頭を悩ませてきましたが、行き詰まっています。どんな洞察もいただければ幸いです！

9 random-variable  pdf  cdf  intuition 

いくつかのkaggleコンテストでは、採点は「ログロス」に基づいていました。これは分類エラーに関連しています。 ここに技術的な答えがありますが、私は直感的な答えを探しています。私はマハラノビス距離に関するこの質問への回答が本当に好きでしたが、PCAは対数損失ではありません。 私の分類ソフトウェアが提供する値を使用することはできますが、私はそれを本当に理解していません。真/偽陽性/陰性率の代わりになぜそれを使用するのですか？これを私の祖母や現場の初心者に説明できるように手伝ってくれませんか。 私も引用を気に入って同意します： 祖母に説明できない限り、あなたは本当に何かを理解していません -アルバート・アインシュタイン ここに投稿する前に、自分でこれに答えてみました。 私が直感的または本当に役に立たなかったリンクは次のとおりです。 http://www.r-bloggers.com/making-sense-of-logarithmic-loss/ https://www.quora.com/What-is-an-intuitive-explanation-for-the-log-loss-function https://lingpipe-blog.com/2010/11/02/evaluating-with-probabilistic-truth-log-loss-vs-0-1-loss/ https://www.kaggle.com/wiki/LogarithmicLoss これらは有益で正確です。これらは技術的な読者を対象としています。彼らは簡単な絵を描いたり、簡単でアクセス可能な例を与えたりしません。彼らは私の祖母のために書かれていません。

9 interpretation  intuition  loss-functions 

確率変数の独立性はゼロ相関を意味しますが、ゼロ相関が独立性を意味する必要はありません。 相関関係がゼロであるにもかかわらず、依存関係を実証する数学的例がたくさんありました。この事実を裏付ける実例はありますか？

9 correlation  independence  intuition 

筆者は、OLSを取り上げた私の計量経済学のテキスト（Introductory Econometrics）で、「別の説明変数が追加されたときにSSRが下がる必要がある」と書いています。それはなぜです？

9 regression  optimization  econometrics  intuition  sums-of-squares 

分散性と定常性の概念を区別するのに苦労しています。私が理解しているように、異分散性は部分母集団の変動性が異なり、非定常性は時間の経過とともに変化する平均/分散です。 これが正しい（単純化ではあるが）理解である場合、非定常性は単に、時間の経過に伴う不均一分散の特定のケースですか？

9 time-series  heteroscedasticity  stationarity  intuition 

分析と現代の確率論の厳密な背景から来て、私はベイズ統計は簡単で理解しやすく、頻繁な統計は信じられないほど混乱し、直感的ではないことがわかります。よくやる気がなく、注意深く定義されていない「秘密の事前情報」を除いて、常連客は実際にベイジアン統計を行っているようです。 一方、両方の見方を理解している多くの優れた統計学者は、頻出主義の見方に帰するので、私には理解できない何かがあるはずです。自分をあきらめてベイジアンと宣言するのではなく、私は頻繁にパーシスト主義の見方について学び、それを本当に「成長」させようとしています。 頻繁な統計を厳密な観点から学習するための良い参考資料は何ですか？理想的には、定理が証明できないタイプの本、またはおそらくそれらを解決することで正しい考え方を得ることができる難しい問題セットを探しています。私はインターネットの検索で見つけられるかもしれないより「哲学的なもの」をたくさん読んだことがあります-wikiページ、.edu /〜randomprofサイトからのランダムなpdfなど-それは助けにはなりませんでした。

9 references  frequentist  intuition 

ブートストラップについて読む試みはいくつかありますが、私はいつもレンガの壁にぶつかるようです。誰かがブートストラップの非技術的な合理的な定義を与えることができるのだろうか？ 私は私は完全にそれを理解するために有効にするために十分な詳細を提供するために、このフォーラムでは不可能です知っているが、主な目的とブートストラップのメカニズムと右方向に緩やかなプッシュをされるだろう多くの感謝します！ありがとう。

9 nonparametric  bootstrap  intuition 

データの視覚化をどのように説明し、それが素人にとって重要なのかを説明しますか？

9 data-visualization  intuition 

ANOVAが非技術者に行っていることの背後にある直感について説明する必要があります。アイデアを説明するビジュアルはありますか？おそらく3つの因子レベルがある一元配置分散分析のコンテキストで主要なアイデアを説明するビジュアルは役立つでしょうか？ その人が、過去に学生としていくつかの統計学のコースを受講したが、z検定の実行の詳細さえ忘れていたとしましょう。ただし、彼/彼女は、観察された効果がランダムな偶然によるものか、対象のパラメーターの実際の変化によるものかを確認するために仮説検定が使用されていることを覚えています。

9 anova  intuition 

この質問にはすでに回答があります： フィッシャー情報とはどのような情報ですか？ （3つの答え） 7か月前に閉鎖。 Wikipediaは、スコアがCramér–Raoの不等式で重要な役割を果たすことを教えています。また、定義を次のように表現しています。 V=∂∂θログL （θ ; X）V=∂∂θlog⁡L(θ;X)V = \frac{\partial}{\partial \theta} \log{L(\theta; X)} しかし、この量が何を表しているのかを直感的に説明することはできません。明らかに、それはどういうわけかθθ\theta 観測データの対数尤度に影響します バツXX、しかしそれは正確にはどういう意味ですか？ ウィキペディアの記事では、期待値が E[V∣θ]=0E[V∣θ]=0\mathbb{E} [V \mid \theta] = 0。これはどういうわけか解釈できますか？ 少し進んで、クラスでフィッシャーの情報（私も直感的に理解していない）は I(θ)=E[V2∣θ]I(θ)=E[V2∣θ]I(\theta) = \mathbb{E} [V^2 \mid \theta]。と組み合わせE[V∣θ]=0E[V∣θ]=0\mathbb{E} [V \mid \theta] = 0 それは意味します I(θ)=Var[V]I(θ)=Var[V]I(\theta) = \text{Var}[V]、 これは正しいです？ 前もって感謝します。 PS：これは宿題ではありません。

9 intuition  probability 

決定木分割のコンテキストでは、ジニ不純物 がノードt不純物の測定値である理由を確認することは明らかではありません。これについて簡単な説明はありますか？i(t)=1−∑j=1kp2(j|t)i(t)=1−∑j=1kp2(j|t) i(t)=1-\sum\limits_{j=1}^k p^2(j|t)

9 cart  intuition  gini 

私はワイルドブートストラップの背後にある直感を理解しようとしています。それは実際に何をしていますか？従来の回帰と比較して、何をしようとしているのかを理解できる必要があります。 私のデータには不均一性があり、私が使用する方法では5000回の複製を行っています。 どのようにして5000の追加データを生成しますか？

8 regression  bootstrap  intuition 

そこで、ここでは一般化線形モデルを研究しています。私はこの質問が非常に単純で単純であることを知っていますが、なぜリンク正準関数がそれほど有用であるのか正確にはわかりません。誰かがこの問題について直感を教えてくれませんか？

8 regression  mathematical-statistics  generalized-linear-model  intuition  link-function 

多くの場合、文学では、著者は時系列プロセスの定常分布を見つけることに関心を持っています。たとえば、次の単純なAR（検討）プロセス：。111{Xt}{Xt}\{X_t\}Xt=αXt−1+et,Xt=αXt−1+et,X_t = \alpha X_{t-1} + e_t, et∼iidfet∼iidfe_t\stackrel{iid}{\thicksim} f 確率過程の定常分布を見つける動機は何でしょうか？ 結果の定常分布を使用して、他にどのような（理論的および実用的な）分析を行うことができますか？ 定常分布が存在しない場合の問題は何ですか？プロセスは役に立たなくなりますか？ 定常分布は存在するが、閉形式がない場合はどうなりますか？同じの閉形式表現がないことの欠点は何ですか？

8 distributions  markov-process  stationarity  autoregressive  intuition