方差缩减——分层抽样

2024-04-24 20:08
文章标签 方差 分层抽样 缩减

本文主要是介绍方差缩减——分层抽样,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

方差缩减——分层抽样

分成4个子区间

import numpy as npn = 500
estimates = np.empty([100, 2])def g(x):if x >= 0 and x <= 1:y = np.exp(-x) / (1 + x ** 2)else:y = 0return ydef get_mean(X):results = []for x in X:results.append(g(x))return np.mean(results)for i in range(100):estimates[i, 0] = get_mean(np.random.uniform(0, 1, n))t2 = []t2.append(get_mean(np.random.uniform(0, 0.25, int(n / 4))))t2.append(get_mean(np.random.uniform(0.25, 0.5, int(n / 4))))t2.append(get_mean(np.random.uniform(0.5, 0.75, int(n / 4))))t2.append(get_mean(np.random.uniform(0.75, 1, int(n / 4))))estimates[i, 1] = np.mean(t2)print(np.var(estimates, axis=0))

输出:[1.11658751e-04 8.00280336e-06]

分成100个子区间

import numpy as npn = 500
estimates = np.empty([100, 2])def g(x):if x >= 0 and x <= 1:y = np.exp(-x) / (1 + x ** 2)else:y = 0return ydef get_mean(X):results = []for x in X:results.append(g(x))return np.mean(results)intervals = np.linspace(0, 1, 100)for i in range(100):estimates[i, 0] = get_mean(np.random.uniform(0, 1, n))t2 = []for j in range(99):t2.append(get_mean(np.random.uniform(intervals[j], intervals[j + 1], int(n / 100))))estimates[i, 1] = np.mean(t2)print(np.var(estimates, axis=0))

输出:[1.15212447e-04 1.57478224e-08]

这篇关于方差缩减——分层抽样的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/932721

相关文章

【深度学习 误差计算】10分钟了解下均方差和交叉熵损失函数

常见的误差计算函数有均方差、交叉熵、KL 散度、Hinge Loss 函数等,其中均方差函数和交叉熵函数在深度学习中比较常见,均方差主要用于回归问题,交叉熵主要用于分类问题。下面我们来深刻理解下这两个概念。 1、均方差MSE。 预测值与真实值之差的平方和,再除以样本量。 均方差广泛应用在回归问题中,在分类问题中也可以应用均方差误差。 2、交叉熵 再介绍交叉熵损失函数之前,我们首先来介绍信息

概率学 笔记一 - 概率 - 随机变量 - 期望 - 方差 - 标准差(也不知道会不会有二)

概率不用介绍,它的定义可以用一个公式写出: 事件发生的概率 = 事件可能发生的个数 结果的总数 事件发生的概率=\cfrac{事件可能发生的个数}{结果的总数} 事件发生的概率=结果的总数事件可能发生的个数​ 比如一副标准的 52 张的扑克牌,每张牌都是唯一的,所以,抽一张牌时,每张牌的概率都是 1/52。但是有人就会说了,A 点明明有四张,怎么会是 1/52 的概率。 这就需要精准的指出

方差(Variance) 偏差(bias) 过拟合 欠拟合

机器学习中方差(Variance)和偏差(bias)的区别?与过拟合欠拟合的关系?   (1)bias描述的是根据样本拟合出的模型的输出预测结果的期望与样本真实结果的差距,简单讲,就是在样本上拟合的好不好。 低偏差和高方差(对应右上图)是使得模型复杂,增加了模型的参数,这样容易过拟合。 这种情况下,形象的讲,瞄的很准,但手不一定稳。 (2)varience描述的是样本上训练出来的模型

NumPy(五):数组统计【平均值:mean()、最大值:max()、最小值:min()、标准差:std()、方差:var()、中位数:median()】【axis=0:按列运算;axis=0:按列】

统计运算 np.max()np.min()np.median()np.mean()np.std()np.var()np.argmax(axis=) — 最大元素对应的下标np.argmin(axis=) — 最小元素对应的下标 NumPy提供了一个N维数组类型ndarray,它描述了 相同类型 的“items”的集合。(NumPy provides an N-dimensional array

平均值,标准差,方差,协方差,期望,均方误差

1. 写在前面 平均值,标准差,方差,协方差都属于统计数学;期望属于概率数学。 2. 统计数学 2.1 平均值,标准差,方差 统计学里最基本的概念就是样本的均值、方差、标准差。首先,我们给定一个含有n个样本的集合,下面给出这些概念的公式描述: 均值: 方差: 标准差: 均值描述的是样本集合的中间点,它告诉我们的信息是有限的。 方差(variance)是在概率论和统计方差衡量随机变

吴恩达机器学习课后作业-05偏差与方差

偏差与方差 题目欠拟合改进欠拟合影响偏差和方差因素训练集拟合情况训练集和测试集代价函数选择最优lamda 整体代码 训练集:训练模型 ·验证集︰模型选择,模型的最终优化 ·测试集:利用训练好的模型测试其泛化能力 #训练集x_train,y_train = data['X'],data[ 'y']#验证集x_val,y_val = data['Xval'],dat

机器学习和数据挖掘(8):偏见方差权衡

偏见方差权衡 偏见和方差 我们一直试图在近似和泛化之间找到一个平衡。 我们的目标是得到一个较小的 Eout E_{out},也希望在样例之外也表现得非常棒的 Eout E_{out}。复杂的假设集 H \mathcal H将有机会得到一个接近目标函数的结果。 VC维分析使用的是泛化边界来进行泛化。根据公式 Eout≤Ein+Ω E_{out}\leq E_{in}+\Omega,其中 Ei

回归分析系列18— 平衡偏差与方差

22 平衡偏差与方差 22.1 偏差-方差权衡简介 在模型构建中,我们通常面临偏差(bias)与方差(variance)之间的权衡。偏差是指模型的预测与真实值之间的系统性误差,而方差则是指模型在不同训练集上的波动性。 高偏差通常意味着模型过于简单,无法捕捉数据中的复杂模式(即欠拟合);高方差则意味着模型对训练数据过于敏感,导致在新数据上表现不佳(即过拟合)。 22.2 正则化与偏差-方差

方差:理解数据的离散程度

方差:理解数据的离散程度 文章目录 方差:理解数据的离散程度引言样本与总体的关系什么是方差?方差的数学公式有偏估计 vs. 无偏估计 方差的计算示例无偏估计的推导与重要性从有偏估计到无偏估计的推导Bessel校正的原因是否总是需要无偏估计? 方差的应用场景结论 引言 方差是统计学和数据分析中的重要概念,用于量化数据集中各个观测值与平均值之间的差异程度。理解方差有助

方差的原理以及应用场景

方差是统计学中一个重要的概念,用来衡量一组数据的离散程度或波动性。具体来说,方差描述了数据点与其均值之间的平均平方差。方差越大,说明数据点的波动性或不确定性越大;方差越小,说明数据点集中在均值附近,波动性较小。 方差的计算原理 给定一组数据 ( X_1, X_2, \dots, X_n ),其方差计算公式为: [ \text{方差} = \frac{1}{n} \sum_{i=1}^{n}