probability-density

2熱度

1回答

我想用KDE和Gaussian Kernel。如果我沒錯，所有f（x）的總和必須是1（〜四捨五入）？我的實現看起來是這樣的： float K(float const& val) { const float p=1.0/std::sqrt(2.0 * M_PI); float result = 0.5 * (val*val); result = p *

-2熱度

1回答

用Java計算加權概率

我有一個HashMap。其中Key是playerName，value是ticketCount。例如：player1有10張門票，player2有20張門票。我想創建一個方法，它將返回一個playerName，當一個隨機數（它是生成的）傳入它。例如：如果3通過，它應該返回player1等我有以下方法來計算概率，不知道它是否正確。計算每個ticketCount的概率範圍，然後使用if else語

-1熱度

1回答

MATLAB中的歸一化直方圖不正確？

我有以下數據集： X=[4.692 6.328 4.677 6.836 5.032 5.269 5.732 5.083 4.772 4.659 4.564 5.627 4.959 4.631 6.407 4.747 4.920 4

1熱度

1回答

使用R估計K_NN

我需要使用k-NN密度估計算法找到數據集內每個點的密度。我理解用於計算的基本方法，如以下屏幕截圖所示。 Complete slides at [link] 我想知道R中是否有任何庫提供函數來計算K-NN密度估計。雖然在stackoverflow的同一主題上有一些相關的問題，但沒有一個得到正確的回答。注意：我發現這個question有關，但同樣的答案不起作用。

0熱度

1回答

如何在Matlab中準確計算危險率？

我需要通過x計算瑞利函數的危險率PDF /（1-CDF）。 x = 0:0.001:2.5; HR = pdf('rayl',x,sqrt(1/18))./(1-cdf('rayl',x,sqrt(1/18))); plot(x,HR) 這裏情節變得有趣的在大約x = 2。我如何提高人力資源的準確性？

3熱度

1回答

的R - 獲取從二維核密度估計

聯合概率我有兩個向量S和V，並使用功能kde2d，我得到他們的聯合密度的以下情節：利用這些數據，是否有可能以P（S [i]，V [j]）的形式獲得聯合概率的經驗估計？在問題How to find/estimate probability density function from density function in R中，建議我們使用approxfun來獲取1D KDE圖中值的高度。有沒有

1熱度

2回答

如何從迴歸隨機森林中獲得概率密度函數？

我正在使用隨機森林作爲迴歸問題來預測給定的Test-X集合（特性的新值）的Test-Y的標籤值。該模型已經通過給定的Train-X（特徵）和Train-Y（標籤）進行了訓練。 R的「randomForest」對預測Test-Y的數值非常有幫助。但這不是我想要的。我只想用隨機森林來產生一個概率密度函數，而不僅僅是一個數字。我搜索了好幾天的解決方案，這裏是我迄今發現：「隨機森林」不會產生概率迴歸，

1熱度

1回答

總和多分佈

背景我估計一下用空間直觀數據的地理區域內潛在的能源供應。爲此，我構建了一個貝葉斯網絡（HydeNet軟件包）並將其附加到R中的柵格堆棧中。貝葉斯網絡模型從柵格堆棧中讀取每個單元位置的輸入數據（例如資源供應，轉換效率）並計算相應的能源供應（MCMC模擬）。因此，我獲得了一個新的拉斯特層，其具有每個柵格單元的預期能源供應的特定概率分佈。但是，我對研究區域內的總能源供應同樣感興趣。這意味着我需要彙總

0熱度

2回答

如何使用參數作爲矩陣調用函數？

我想用mu和sigma的四個不同參數調用scipy.stats.multivariate_normal。然後，對於每個生成的概率密度函數，我需要在一個10個值的數組上調用該pdf。爲了簡單起見，讓我們說，上面提到的功能是addXY： def addXY(x, y): return x+y params=[[1,2],[1,3],[1,4],[1,5]] # mu and sigm

-1熱度

1回答

Numpy直方圖，哪一點是密度？

當使用numpy.histogram時，如果density = True，該函數將返回一個數組，其中每個點都有pdf值。但是我的問題是，它是否會返回垃圾箱前端或垃圾箱中間的pdf值？例如，如果我有垃圾桶0-1,1-2,2-3等......它會給我的點數0,1,2等......或在0.5,1.5， 2.5等... 謝謝！