乐趣区

关于机器学习:学习偏态分布的相关知识和原理的4篇论文推荐

偏态散布 (skewness distribution) 指频数散布的顶峰位于一侧,尾部向另一侧延长的散布。偏态散布是与“正态分布”绝对,散布曲线左右不对称的数据次数散布,是间断随机变量概率分布的一种。能够通过峰度和偏度的计算,掂量偏态的水平。

1、The Generalized-Alpha-Beta-Skew-Normal Distribution: Properties and Applications

Sricharan Shah, Subrata Chakraborty, Partha Jyoti Hazarika, M. Masoom Ali

在这篇论文中,引入了狭义版的 Alpha Beta 偏斜的正态分布,钻研了它的一些根本性质。本文还钻研了该散布的扩大,通过比拟 Akaike 信息规范(AIC)和贝叶斯信息规范(BIC)的值与其余一些已知的相干散布的值以进行更好的模型抉择的值。并且验证了所提出的散布的适当性。

2、Balakrishnan Alpha Skew Normal Distribution: Properties and Applications

P. J. Hazarika, S. Shah, S. Chakraborty

论文依据 Balakrishnan 机制提出了一种新型的 Alpha 偏态散布,并钻研了其矩和散布个性。通过数据拟合试验测验了所提出散布的适用性,并通过 AIC、BIC 与相干散布的比拟测验了模型的充分性。采纳似然比测验对正态分布和拟态散布进行辨别

3、Conjugate Bayes for probit regression via unified skew-normal distributions

Daniele Durante

二元分类数据的回归模型在统计学中无处不在。除了对二元响应的推断有用外,这些办法还能够作为更简单公式的构建模块,如密度回归、非参数分类和图形模型。在贝叶斯框架内,通过更新系数 (通常设置为高斯分布) 的先验,利用 probit 或 logit 回归对响应进行的可能性进行推断。在这种更新中,因为显著不足可解决的后验,因而产生了各种计算方法,包含马尔可夫链蒙特卡洛过程和近似后验的算法。然而马尔可夫链蒙特卡洛策略在大 p 和小 n 钻研中面临混合或工夫效率低下的问题,而近似算法无奈捕捉到在后验中察看到的偏态。所以这篇论文证实了在高斯先验下,probit 系数的后验散布具备对立的偏正态核。这样的后果使高效的贝叶斯推理实用于更宽泛的利用,这些停顿在一项遗传学钻研中失去了概述。

4、On the Approximation of the Sum of Lognormals by a Log Skew Normal Distribution

Marwane Ben Hcine, Ridha Bouallegue

尽管曾经有几种办法来近似对数正态分布的总和。然而这些办法的精度高度依赖于所查看的后果散布的区域,以及单个对数正态参数,即均值和方差。没有一种办法在所有状况都可能提供所需的准确性。这篇论文在对数斜偏正态迫近的根底上,提出了一种通用而又简略的对数法线和迫近办法。它次要奉献是提出了一种对数偏正态参数估计的解析办法。对于任何相关系数,所提出的办法提供了在整个 dB 扩散范畴内对数正态分布之和的高度准确的近似。仿真结果表明,这个办法优于之前提出的所有办法,在所有状况下提供了 0.01 dB 以内的精度。

https://avoid.overfit.cn/post/44f6a754a3324df48dec789c5f4a02b7

作者:momodeep

退出移动版