首页 > TAG信息列表 > 概率模型

基于蒙特卡洛法的电动汽车负荷预测 通过建立电动汽车的出行时间 行驶里程 充电时间的概率模型

基于蒙特卡洛法的电动汽车负荷预测 通过建立电动汽车的出行时间 行驶里程 充电时间的概率模型 采用蒙特卡洛进行抽样 再对电动汽车充电负荷进行累加 通过蒙特卡洛仿真之后 得到电动汽车的负荷预测结果 编号:5850652729769070ocean

【统计学习方法】2021-10-08-统计学习方法学习记录（二）【章节一：统计学习与监督学习概论（2）】

1. 统计学习的分类： 【接上一篇文章】 1.2：按模型分类 1.2.1：概率模型与非概率模型（确定性模型） 【关于概率模型与非概率模型，可能目前的问题就是生成与判别的意义辨析；概论里追究细则意义不大，贴一个科普级的解释了解一下，我后面会在学到具体的内容的时候加以感知。】 条件概率分

【统计学习方法】 统计学习及监督学习概论

统计学习 关于计算机针对数据构建概率统计模型，并通过模型对数据进行分析和预测   统计学习的分类 基本分类：监督学习，无监督学习，强化学习，半监督学习，自主学习 监督学习（superised learning）: 从标注数据中学习预测模型，本质是输入到输出的映射的统计规律 无监督学习（unsuperised learni

逻辑回归（二分法）

数据预处理（生成虚拟变量）    对于因变量为分类变量的情况，我们可以使用逻辑回归进行处理。 把y看成事件发生的概率，y>0.5表示发生；y<0.5表示不发生 线性概率模型（Linear Probability Model，简记LPM）直接用原来的回归模型进行回归  

概率论与数理统计 —— 3.离散型、连续型概率模型，及其概率密度与概率分布函数

在前面的文章里，已经带大伙了解了概率论的概率事件类型，以及针对某些事件的发生概率，以及针对全部场景的某事件的发生概率等基本知识。不过对于统计学专业来说，或者实际应用来说，接触最多的还是离散型和连续型概率，以及分析其概率密度与分布函数。所以说这里的内容可以算是概率论

李宏毅机器学习_分类_概率生成模型_4

不能当做回归的原因 为什么把这种模型称作生成模型，因为给定一个x都可以通过这种方式生成计算出来 用概率的方式，假设服从高斯分布 统一成一个模型，共享参数，减少模型的复杂度后，准确率会提升 加入输入变量的每个特征都独立，可以在特征维度上进行展开 逻辑回归是从概率模型推

EM-EKF参数估计算法

最大期望算法（Expectation-maximization algorithm，又译期望最大化算法）在统计中被用于寻找，依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。在统计计算中，最大期望（EM）算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐性变量。最

统计学习方法读书笔记（二十二）-无监督学习方法总结

全部笔记的汇总贴：统计学习方法读书笔记汇总贴 PDF免费下载：《统计学习方法（第二版）》 一、无监督学习算法 统计学习方法读书笔记（十三）-无监督学习概述 统计学习方法读书笔记（十四）-聚类方法 统计学习方法读书笔记（十五）-奇异值分解 统计学习方法读书笔记（十六）-主成分分析 统计学习方法

统计基础（十一）逻辑回归与无参数回归

统计学习方法 笔记2

C1 统计学习的模型可以分为概率型和非概率型 或者确定性模型 概率型模型：决策树，朴素贝叶斯，隐马尔科夫模型，条件随机场，概率潜在语义分析，潜在狄利克雷分配，高斯混合模型 非概率型模型：感知机，支持向量机，k近邻，AdaBoost,k均值，潜在语义分析，以及神经网络是非概率模型。 概率模型是生成模型，非

机器学习：李宏毅：概率分布生成概率模型

1.概率分布 由于前面学习的是回归，因此我们通过回归的方法来查看概率分布 分类是class 1 的时候结果是1 分类为class 2的时候结果是-1； 测试时，如果结果接近1的是class1 ，如果结果接近-1的是class2。 但是呢，这只是看起来很美丽，但是如果当结果远远大于1的时候，他的分类应该是cla

从概率模型到逻辑分类

我今天来推导一下根据 概率模型 来推导一下分类的问题。 题目的大概就是，我们抽取一个样本，然后去判断这个样本应该属于哪个分类。 首先大概的复习一下跟概率论相关的知识概率论的一些基础知识 我们把问题限定为两个类别的分类。即我们有一个\(C_1\)和\(C_2\)分类。然后抽取一个样本

语言模型评价指标Perplexity

在信息论中，perplexity(困惑度)用来度量一个概率分布或概率模型预测样本的好坏程度。它也可以用来比较两个概率分布或概率模型。（应该是比较两者在预测样本上的优劣）低困惑度的概率分布模型或概率模型能更好地预测样本。   困惑度越小，句子概率越大，语言模型越好。     wiki上列举了

建立概率模型

前言 在解决古典概型问题时，确定的基本事件个个数越少，模型越精炼，则解题过程越简单。以下举例说明： 一、模型案例 教材原题 二、典例剖析： 例1【同类题见北师大必修3概率\(P_{136}\)例2】 某人有4把钥匙，其中只有2把能打开门，现随机地取1把钥匙试着开门，不能开门，就把钥匙放在旁边，他第