Advertisement

分位数回归（Quantile Regression）

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：PDF

简介：
分位数（Quantile），也被称为quantiles，在统计学中被定义为将一个概率分布划分为多个等份的数值点。其中最常用的是中位数（即二分位数）、四分位数和百分位数等概念。累积分布函数F(x)在某一点x^处取值σ，且σ属于区间(0,1)，则称该点x^为分布F对应的分位数。 其含义是：对于给定的统计分布，分位数值x^满足小于或等于x^的概率为σ。具体而言，P(x < x^) = σ。在时间序列分析中，我们通常将平稳时间序列表示为...

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 如何计算分位数（Quantile）
    优质
    分位数是统计学中衡量数据分布情况的重要参数。本文将详细介绍什么是分位数以及如何通过简单的步骤来计算不同类型的分位数值。适合初学者参考学习。 本段落介绍了使用SAS软件计算四分位数的几种方法。
  • Softmax Regression Practice in UFLDL（softmax回归）
    优质
    本实践教程深入浅出地介绍UFLDL中softmax回归的概念与应用，帮助学习者掌握该算法在多分类问题中的实现技巧及优化方法。 UFLDL Exercise: Softmax Regression（softmax回归）提供了可以直接运行的matlab实验代码。
  • 回归算法的 Regression 代码
    优质
    本简介提供了一个关于如何使用Python实现经典回归算法（如线性回归）的Regression代码示例，包括数据预处理、模型训练及评估。 本段落件包含多个数据集的代码示例，包括广告、鸢尾花和波士顿房价数据的回归代码，并附带相应的数据集。此外，还绘制了不同分类器在鸢尾花数据上的ROC和AUC曲线图。
  • 随机森林回归：Random Forest Regression
    优质
    随机森林回归是一种集成学习方法，通过构建多个决策树模型并结合它们的预测结果来提高非线性数据拟合能力及防止过拟化。 随机森林回归是一种机器学习方法。
  • MATLAB中的分位数回归
    优质
    本文介绍了在MATLAB环境下实现分位数回归的方法和技巧，探讨了其应用领域及优势。 分位数回归的Matlab代码已经编写完成，并且包含详细的注释以及运行时间显示功能。
  • CAViaR 分位数回归模型分析
    优质
    CVaR（条件风险价值）分位数回归模型是一种用于金融风险管理及资产定价的方法，通过分析不同分位数下的市场波动性来评估潜在损失的风险。 CAViaR是一种利用分位数回归和条件自回归风险价值模型来计算风险价值的方法。
  • 反伽马分布的分位数函数(invgamma-quantile)
    优质
    简介：本文探讨了如何计算和应用反伽马分布的分位数函数（invgamma-quantile），提供了一种统计分析中的重要工具，用于风险评估与不确定性建模。 分位数函数 [反伽玛]（Inverse Gamma）分布是Gamma_distribution的逆形式。对于0 <= p < 1，其中alpha为形状参数，而beta为比例参数。 安装命令：`npm install distributions-invgamma-quantile` 用法示例： ```javascript var quantile = require(distributions-invgamma-quantile); ``` 函数 `分位数（p [，options]）` 用于评估Inverse Gamma分布。输入的 p 可以是0到1之间的数字、数组、类型化数组或矩阵。 例如: ```javascript var matrix = require(dstructs-ma); ```
  • 不平衡回归的深度探究：imbalanced-regression分析
    优质
    本篇文章深入探讨了不平衡回归问题，并介绍了用于解决这类问题的imbalanced-regression分析方法，旨在帮助研究人员和数据科学家更好地理解和处理回归任务中的样本不均衡现象。 该存储库包含关于深度失衡回归（DIR）的研究代码实现。深度失衡回归旨在从具有连续目标的不平衡数据集中学习，并处理某些区域可能存在的缺失数据，以推广至整个目标范围。不同于现有的专注于分类索引目标的学习技术，许多实际应用需要处理的是连续甚至无限的目标值。我们系统地研究了深度失衡回归（DIR），其目的是在自然失衡的数据中学习连续性目标，并且能够应对特定目标值可能存在的潜在缺失数据，同时推广至整个目标范围。为此，我们在计算机视觉、自然语言处理和医疗保健领域设计并基准化了一系列大规模的(DIR)数据集，涵盖从单一数值预测（如年龄估计）到密集型数值预测（如深度估计等）。更新内容已于2021年2月18日发布。目前代码正在清理中，请留意后续更新。