«monte-carlo» 태그된 질문

(의사) 난수와 큰 수의 법칙을 사용하여 실제 시스템의 임의 동작을 시뮬레이션합니다.

1
부트 스트랩 또는 몬테카를로 방식을 사용하여 중요한 주요 구성 요소를 결정하는 방법은 무엇입니까?
PCA (Principal Component Analysis) 또는 EOF (Empirical Orthogonal Function) 분석에서 나오는 중요한 패턴의 수를 결정하고 싶습니다. 특히이 방법을 기후 데이터에 적용하는 데 관심이 있습니다. 데이터 필드는 M이 시간 차원 (예 : 일)이고 N이 공간 차원 (예 : lon / lat 위치) 인 MxN 행렬입니다. 중요한 PC를 결정하기 위해 가능한 부트 …
40 r  pca  bootstrap  monte-carlo 


1
Metropolis Hastings, Gibbs, Importance 및 Rejection 샘플링의 차이점은 무엇입니까?
저는 MCMC 방법을 배우려고 노력했으며 Metropolis Hastings, Gibbs, Importance 및 Rejection 샘플링을 경험했습니다. 이러한 차이점 중 일부는 명백하지만, 즉 전체 조건이있을 때 Gibbs가 Metropolis Hastings의 특별한 사례 인 반면 Gibbs 샘플러 내에서 MH를 사용하려는 경우와 같이 다른 것은 명확하지 않습니다. 각각의 차이점을 볼 수있는 간단한 방법은 무엇입니까? 감사!


6
Monte Carlo Simulation을 사용한 대략적인
최근에 Monte Carlo 시뮬레이션을 살펴보고 (사각형 내부의 원, 비례 영역) 와 같은 상수를 근사화하는 데 사용했습니다 .ππ\pi 그러나 Monte Carlo 통합을 사용하여 [Euler 's number]의 값을 근사하는 해당 방법을 생각할 수 없습니다 .eee 이 작업을 수행하는 방법에 대한 조언이 있습니까?


3
K-fold vs. Monte Carlo 교차 검증
감독되는 다변량 분석 기법에 주로 적용하려는 다양한 교차 검증 방법을 배우려고합니다. 제가 접한 두 가지는 K-fold와 Monte Carlo 교차 검증 기술입니다. 나는 K-fold가 Monte Carlo의 변형이라는 것을 읽었지만 Monte Carlo의 정의를 구성하는 것이 무엇인지 완전히 이해하지 못했습니다. 누군가이 두 가지 방법의 차이점을 설명해 주시겠습니까?



4
머신 러닝 또는 딥 러닝 알고리즘을 사용하여 MCMC 기술의 샘플링 프로세스를 "향상"할 수 있습니까?
MCMC (Markov chain Monte Carlo) 방법에 대한 약간의 지식을 바탕으로 샘플링이 앞에서 언급 한 기술의 중요한 부분임을 이해합니다. 가장 일반적으로 사용되는 샘플링 방법은 Hamiltonian과 Metropolis입니다. 보다 효율적인 MCMC 샘플러를 구성하기 위해 머신 러닝 또는 딥 러닝을 활용할 수있는 방법이 있습니까?

4
PCA 공간에 새로운 벡터를 투영하는 방법?
주성분 분석 (PCA)을 수행 한 후 PCA 공간에 새 벡터를 투영하려고합니다 (즉, PCA 좌표계에서 해당 좌표를 찾습니다). 를 사용하여 R 언어로 PCA를 계산했습니다 prcomp. 이제 내 벡터에 PCA 회전 행렬을 곱할 수 있어야합니다. 이 매트릭스의 주요 구성 요소를 행 또는 열로 배열해야합니까?
21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 

1
기하학적 혼합에서 어떻게 시뮬레이션 할 수 있습니까?
만약 알고리즘 사용할 수있는, 즉 내가 시뮬레이션 할 수있는 밀도를, 알려져있다. 생성물 경우 적분되면,이 사용이 제품 밀도에서 시뮬레이션하는 일반적인 접근법이 존재 의 시뮬레이터 ?k ∏ i = 1 f i ( x ) α if1,…,fkf1,…,fkf_1,\ldots,f_k∏i=1kfi(x)αiα1,…,αk>0∏i=1kfi(x)αiα1,…,αk>0\prod_{i=1}^k f_i(x)^{\alpha_i}\qquad \alpha_1,\ldots,\alpha_k>0fifif_i

1
제한된 매개 변수 공간의 MCMC?
MCMC를 문제에 적용하려고하는데 내 사전 (내 경우에는 )이 영역으로 제한됩니까? 일반 MCMC를 사용하고 제한된 영역을 벗어나는 샘플을 무시할 수 있습니까 (제 경우에는 [0,1] ^ 2 임), 즉 새 전환이 제한된 (제한된) 영역에서 벗어날 때 전환 기능을 재사용 할 수 있습니까?α∈[0,1],β∈[0,1]α∈[0,1],β∈[0,1]\alpha\in[0,1],\beta\in[0,1]


2
누군가 영어로 NUTS를 설명 할 수 있습니까?
알고리즘에 대한 나의 이해는 다음과 같습니다. NUTS (U-Turn Sampler)는 Hamiltonian Monte Carlo Method가 아닙니다. 이는 Markov Chain 방식이 아니므로이 알고리즘은 랜덤 워크 파트를 피하며, 이는 종종 비효율적이고 수렴이 느린 것으로 간주됩니다. NUTS는 무작위 보행을 수행하는 대신 길이 x의 점프를 수행합니다. 알고리즘이 계속 실행되면서 각 점프는 두 배가됩니다. 이것은 궤도가 시작점으로 …

당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.