fisher-information पर टैग किए गए जवाब

मैं फिशर जानकारी के साथ सहज नहीं हूं, यह क्या उपाय करता है और यह कैसे सहायक है। इसके अलावा, यह क्रैमर-राव के साथ संबंध मेरे लिए स्पष्ट नहीं है। क्या कोई इन अवधारणाओं की सहज व्याख्या दे सकता है?

59 estimation  intuition  fisher-information 

ठीक है, यह काफी बुनियादी सवाल है, लेकिन मैं थोड़ा भ्रमित हूं। अपनी थीसिस में मैं लिखता हूं: (मनाया) फिशर सूचना प्रणाली के विकर्ण तत्वों के वर्गमूल के व्युत्क्रम की गणना करके मानक त्रुटियां पाई जा सकती हैं: रोंμ^, σ^2= 1मैं ( μ^, σ^2)------√रोंμ^,σ^2=1मैं(μ^,σ^2)\begin{align*} s_{\hat{\mu},\hat{\sigma}^2}=\frac{1}{\sqrt{\mathbf{I}(\hat{\mu},\hat{\sigma}^2)}} \end{align*} के बाद से आर …

54 maximum-likelihood  fisher-information 

मान लें कि हमारे पास एक यादृच्छिक चर । यदि सही पैरामीटर था, तो संभावना फ़ंक्शन को अधिकतम और शून्य के बराबर व्युत्पन्न होना चाहिए। यह अधिकतम संभावना अनुमानक के पीछे मूल सिद्धांत है।X∼f(x|θ)X∼f(x|θ)X \sim f(x|\theta)θ0θ0\theta_0 जैसा कि मैंने इसे समझा, फिशर जानकारी के रूप में परिभाषित किया गया है …

29 bayesian  maximum-likelihood  likelihood  intuition  fisher-information 

क्या कोई फ़िशर सूचना मीट्रिक और रिश्तेदार एन्ट्रापी (या केएल विचलन) के बीच निम्नलिखित संबंध को विशुद्ध रूप से गणितीय रूप से कठोर तरीके से साबित कर सकता है ? D(p(⋅,a+da)∥p(⋅,a))=12gi,jdaidaj+(O(∥da∥3)D(p(⋅,a+da)∥p(⋅,a))=12gi,jdaidaj+(O(‖da‖3)D( p(\cdot , a+da) \parallel p(\cdot,a) ) =\frac{1}{2} g_{i,j} \, da^i \, da^j + (O( \|da\|^3)a=(a1,…,an),da=(da1,…,dan)a=(a1,…,an),da=(da1,…,dan)a=(a^1,\dots, a^n), da=(da^1,\dots,da^n)gi,j=∫∂i(logp(x;a))∂j(logp(x;a)) p(x;a) dxgi,j=∫∂i(log⁡p(x;a))∂j(log⁡p(x;a)) …

20 mathematical-statistics  kullback-leibler  fisher-information 

निम्नलिखित श्रेणीबद्ध मॉडल, यह देखते हुए और, μ ~ एल एक पी एल एक सी ई ( 0 , ग ) जहां एन ( ⋅ , ⋅ ) एक सामान्य वितरण है। वहाँ एक रास्ता के सीमांत वितरण के फिशर जानकारी के लिए एक सटीक अभिव्यक्ति पाने के लिए है …

20 multilevel-analysis  information  fisher-information 

चलो θ∈Rnθ∈Rn\theta \in R^{n} । फिशर सूचना मैट्रिक्स के रूप में परिभाषित किया गया है: I(θ)i,j=−E[∂2log(f(X|θ))∂θi∂θj∣∣∣θ]I(θ)i,j=−E[∂2log⁡(f(X|θ))∂θi∂θj|θ]I(\theta)_{i,j} = -E\left[\frac{\partial^{2} \log(f(X|\theta))}{\partial \theta_{i} \partial \theta_{j}}\bigg|\theta\right] मैं फिशर सूचना मैट्रिक्स कैसे साबित कर सकता हूं सकारात्मक सकारात्मक है?

19 inference  linear-algebra  fisher-information 

मैं एक सवाल का "जवाब" दे रहा हूं, जो मैंने कुछ दो हफ्ते पहले यहां दिया था: जेफ्रीज पूर्व उपयोगी क्यों है? यह वास्तव में एक सवाल था (और मुझे उस समय टिप्पणी पोस्ट करने का अधिकार नहीं था, या तो), हालांकि, मुझे आशा है कि ऐसा करना ठीक है: …

17 bayesian  mathematical-statistics  fisher-information  jeffreys-prior  invariance 

मानक अधिकतम संभावना सेटिंग में (iid नमूना घनत्व ) के साथ कुछ वितरण से ) और सही ढंग से फिशर मॉडल के मामले में द्वारा जानकारी दी गई हैY1,…,YnY1,…,YnY_{1}, \ldots, Y_{n}fy(y|θ0fy(y|θ0f_{y}(y|\theta_{0} I(θ)=−Eθ0[∂2θ2lnfy(θ)]I(θ)=−Eθ0[∂2θ2ln⁡fy(θ)]I(\theta) = -\mathbb{E}_{\theta_{0}}\left[\frac{\partial^{2}}{\theta^{2}}\ln f_{y}(\theta) \right] जहां उम्मीद डेटा को उत्पन्न करने वाले वास्तविक घनत्व के संबंध में लिया जाता …

17 maximum-likelihood  fisher-information 

मैं यह साबित करने की कोशिश कर रहा हूं कि अवलोकन किया गया सूचना मैट्रिक्स कमजोर रूप से अधिकतम अधिकतम संभावना अनुमानक (एमएलई) पर मूल्यांकन किया गया है, यह अपेक्षित सूचना मैट्रिक्स का कमजोर संगत आकलनकर्ता है। यह एक व्यापक रूप से उद्धृत परिणाम है, लेकिन कोई भी एक संदर्भ …

16 maximum-likelihood  expected-value  asymptotics  information  fisher-information 

क्रमपरिवर्तन परीक्षण (इसे रेंडमाइजेशन टेस्ट, री-रैंडमाइजेशन टेस्ट या एक सटीक परीक्षण भी कहा जाता है) बहुत उपयोगी होते हैं और उदाहरण के लिए आवश्यक सामान्य वितरण की धारणा को पूरा करने और काम में आने पर काम में आते t-testहैं। गैर-पैरामीट्रिक परीक्षण की तरह Mann-Whitney-U-testअधिक जानकारी खो जाएगी। हालांकि, इस …

15 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 

(मैंने math.se पर इसी तरह का प्रश्न पोस्ट किया है ।) सूचना ज्यामिति में, फिशर सूचना मैट्रिक्स का निर्धारक एक सांख्यिकीय आयतन पर एक प्राकृतिक आयतन रूप है, इसलिए इसकी एक अच्छी ज्यामितीय व्याख्या है। तथ्य यह है कि यह एक जेफ्री की परिभाषा में पहले से प्रकट होता है, …

13 variance  information-theory  fisher-information  information-geometry 

विभिन्न पाठ्यपुस्तक फिशर सूचना मैट्रिक्स के अस्तित्व के लिए विभिन्न स्थितियों का हवाला देती हैं। ऐसी कई शर्तें नीचे सूचीबद्ध हैं, जिनमें से प्रत्येक "फिशर सूचना मैट्रिक्स" की परिभाषाओं में से कुछ में नहीं, बल्कि सभी में दिखाई देती है। क्या कोई मानक, शर्तों का न्यूनतम सेट है? नीचे दी …

13 fisher-information 

एक बर्नौली यादृच्छिक चर पर विचार करें X∈{0,1}X∈{0,1}X\in\{0,1\} पैरामीटर के साथ θθ\theta(सफलता की संभावना)। संभावना समारोह और फिशर जानकारी (ए1×11×11 \times 1 मैट्रिक्स) हैं: L1(θ;X)I1(θ)=p(X|θ)=θX(1−θ)1−X=detI1(θ)=1θ(1−θ)L1(θ;X)=p(X|θ)=θX(1−θ)1−XI1(θ)=detI1(θ)=1θ(1−θ) \begin{align} \mathcal{L}_1(\theta;X) &= p(\left.X\right|\theta) = \theta^{X}(1-\theta)^{1-X} \\ \mathcal{I}_1(\theta) &= \det \mathcal{I}_1(\theta) = \frac{1}{\theta(1-\theta)} \end{align} अब दो मापदंडों के साथ एक "अति- मानकीकृत " संस्करण पर …

10 bernoulli-distribution  parameterization  fisher-information  determinant 

उदाहरण: मेरे पास नौकरी के विवरण में एक वाक्य है: "यूके में जावा वरिष्ठ इंजीनियर"। मैं इसे 2 श्रेणियों के रूप में भविष्यवाणी करने के लिए एक गहरे शिक्षण मॉडल का उपयोग करना चाहता हूं: English और IT jobs। यदि मैं पारंपरिक वर्गीकरण मॉडल का उपयोग करता हूं, तो यह …

9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

वाई। पवन द्वारा "ऑल लाइकलीहुड: स्टैटिस्टिकल मॉडलिंग एंड इन्वेंशन यूज़ लाइकलीहुड" से, री-पैरामीटराइजेशन की संभावना को रूप में परिभाषित किया गया है। _ \ _ ताकि यदि g एक-से-एक है, तो L ^ * (\ psi) = L (g ^ {- 1}} ((psi)) (पृष्ठ 45)। मैं एक्सरसाइज 2.20 दिखाने की …

9 mathematical-statistics  inference  likelihood  fisher-information