区间估计Bootstraping/Jackknife
Bootstraping(自助抽样法–区间估计):
名字来自成语“pull up by your own bootstraps”,意思是依靠你自己的资源,称为自助法,
它是一种有放回的抽样方法,
它是非参数统计中一种重要的估计统计量方差进而进行区间估计的统计方法。
其核心思想和基本步骤如下:
(1) 采用重抽样技术从原始样本中抽取一定数量的样本,此过程允许重复抽样。
(2)根据抽出的样本计算给定的统计量T。
(3)重复上述N次(一般大于1000),得到N个统计量T。
(4)计算上述N个统计量T的样本方差,得到统计量的方差。
应该说Bootstrap是现代统计学较为流行的一种统计方法,在小样本时效果很好。通过方差的估计可以构造置信区间等,其运用范围得到进一步延伸。
假设给定的数据集包含d个样本。
该数据集有放回地抽样d次,训练集中没出现的概率就是d次都未被选中的概率,即(1-1/d)d。
当d趋于无穷大时,这一概率就将趋近于e(-1)=0.368,
所以留在训练集中的样本大概占原来数据集的63.2%。
Jackknife(区间估计):
和上面要介绍的Bootstrap功能类似,只是有一点细节不一样,即每次从样本中抽样时候只是去除几个样本(而不是抽样),就像小刀一样割去一部分。
(pku, sewm,shinningmonster.)
区间估计Bootstraping/Jackknife相关推荐
- Jackknife,Bootstraping, bagging, boosting, AdaBoosting, Rand forest 和 gradient boosting
Jackknife,Bootstraping, bagging, boosting, AdaBoosting, Rand forest 和 gradient boosting 这些术语,我经常搞 ...
- 【机器学习】Jackknife,Bootstraping, bagging, boosting, AdaBoosting, Rand forest 和 gradient boosting...
Jackknife,Bootstraping, bagging, boosting, AdaBoosting, Rand forest 和 gradient boosting 这些术语,我经常搞混淆, ...
- Jackknife,Bootstraping, bagging, boosting, AdaBoosting, Rand forest 和 gradient boosting的简单介绍
转之 http://blog.csdn.net/chenhongc/article/details/9404583 http://blog.sina.com.cn/s/blog_5dd2e927010 ...
- Jackknife,Bootstraping, bagging, boosting, AdaBoosting, Rand forest 和 gradient boosting的区别
这些术语,我经常搞混淆,现在把它们放在一起,以示区别.(部分文字来自网络,由于是之前记的笔记,忘记来源了,特此向作者抱歉) Bootstraping: 名字来自成语"pull up by y ...
- Jackknife,Bootstraping, bagging, boosting, AdaBoosting, Random forest 和 gradient boosting的区别
转自:http://blog.csdn.net/xianlingmao/article/details/7712217 Jackknife,Bootstraping, bagging, boostin ...
- Bootstraping, bagging, boosting, AdaBoosting, Rand forest 和 gradient boosting
这两天在看关于boosting算法时,看到一篇不错的文章讲bootstrap, jackknife, bagging, boosting, random forest 都有介绍,以下是搜索得到的原文, ...
- Jackknife,Bootstrap, Bagging, Boosting, AdaBoost, RandomForest 和 Gradient Boosting的区别
Bootstraping: 名字来自成语"pull up by your own bootstraps",意思是依靠你自己的资源,称为自助法,它是一种有放回的抽样方法,它是非参数统 ...
- Decision stump、Bootstraping、bagging、boosting、Random Forest、Gradient Boosting
1)首先来看看 Decision stump https://en.wikipedia.org/wiki/Decision_stump A decision stump is a machine le ...
- R语言参数自抽样法Bootstrap:估计MSE、经验功效、杰克刀Jackknife、非参数自抽样法可视化
最近我们被客户要求撰写关于抽样法的研究报告,包括一些图形和统计输出. 参数引导:估计 MSE 统计学问题:级别(k\)修剪后的平均值的MSE是多少? 我们如何回答它:估计从标准柯西分布(t 分布 w/ ...
最新文章
- struts2文件下载出现Can not find a java.io.InputStream with the name的错误
- 5.exchange2013实战操作之启用POP3和IMAP4服务
- 使用vue-router的meta实现 设置每个页面的title标题
- JavaScript基础学习--05自定义属性、索引值
- 【Jmeter篇】1小时轻松搞定项目接口自动化测试与数据驱动
- 亲测无限坐席在线客服系统源码
- HTTP 如何传输大文件
- OpenCV精进之路(零):core组件——绘制点、直线、几何图形
- Echarts定制一个地图
- 脚注交叉引用序号不一样_著作权合理使用制度之“适当引用”的界定
- MMC-HVDC仿真模型,pscad柔性直流输电仿真mmc仿真模型
- 不可不会的「反转链表」问题
- c语言语法基础知识,英语语法_英语语法基础知识
- 4246 奶牛的身高
- C++的异常(转载 )
- matlab中caitu_tiqu,Matlab平台基于颜色的车牌识别程序
- thumbnail的处理流程和读取缩略图thumbnail所在sample的index的方法
- 使用sql如何找出两张表中同一字段的不同值
- 地图下面的标尺是什么意思_机油标尺怎么看图解,汽车机油标尺正常位置示意图...
- 对策《四川省本科毕业论文(设计)抽检实施细则》(四)准备答辩
热门文章
- C#:CAN通讯上位机的简单示例Ⅱ
- Packet Tracer的使用(一)
- MySQLdb._exceptions.OperationalError: (1045, “Access denied for user ‘root‘@‘localhost‘ (using passw
- JAVA学习笔记 03 - JAVA语言程序结构
- python计算学分绩点_使用Python计算研究生学分绩(绩点)
- 使用谷歌学术检索论文小技巧
- 特征选择 Relief 方法
- k8s探针检测php,K8s探针
- 主成分分析法及特征值的含义
- 由开发者的人品问题领略测试人员的人品问题