Dans "L'apprentissage automatique: une perspective probabiliste" de Kevin Murphy, le chapitre 3.2, l'auteur montre l'apprentissage conceptuel bayésien sur un exemple appelé "jeu de nombres": Après avoir observé NNN des échantillons de {1,...,100}{1,...,100}\{1,...,100\}, nous voulons choisir une...
Christopher Bishop définit la valeur attendue de la fonction de vraisemblance du journal des données complètes (c'est-à-dire en supposant que l'on nous donne à la fois les données observables X et les données latentes Z) comme suit:
Des algorithmes d'itération de politiques et de valeurs peuvent être utilisés pour résoudre des problèmes de processus de décision de Markov. J'ai du mal à comprendre les conditions nécessaires à la convergence. Si la politique optimale ne change pas pendant deux étapes (c'est-à-dire pendant les...
Motivation Dans le contexte de l'inférence post-sélection de modèle, Leeb et Pötscher (2005) écrivent: Bien que l'on sache depuis longtemps que l'uniformité (au moins localement) par rapport aux paramètres est un problème important dans l'analyse asymptotique, cette leçon a souvent été oubliée dans...
J'ai utilisé la fonction glm.fit dans R pour ajuster les paramètres à un modèle de régression logistique. Par défaut, glm.fit utilise des moindres carrés itérativement repondérés pour ajuster les paramètres. Quelles sont les raisons pour lesquelles cet algorithme ne parviendrait pas à converger,...
Je comprends que la formule de probabilité de convergence est P[ |Xn-X∞| >ϵ]→0P[|Xn−X∞|>ϵ]→0P[|X_n − X_\infty| \gt \epsilon ]\to 0et je peux résoudre des problèmes en utilisant la formule. Quelqu'un peut-il l'expliquer intuitivement (comme j'ai cinq ans), en particulier en ce qui concerne...