Обсуждение:Оценивание дискретных распределений при дополнительных ограничениях на вероятности некоторых событий (виртуальный семинар)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Обсуждение)
(Обсуждение)
Строка 3: Строка 3:
* > ...Время считается дискретным...
* > ...Время считается дискретным...
*# Подход, в котором плотность вначале представляется как непрерывная функция времени, мне представляется лучшим. Поскольку в таком подходе можно выбирать различное число интервалов разбиения. Интересно, что
*# Подход, в котором плотность вначале представляется как непрерывная функция времени, мне представляется лучшим. Поскольку в таком подходе можно выбирать различное число интервалов разбиения. Интересно, что
-
<tex>\omega = \int_{0}^{T} {w_t dt} = (i_1, ...,i_D) = super(seq_{l=1,M} {\int_{T/M*(l-1)+\delta_+}^{T/M*l} {w_t dt}}) = super ( (s^{(1)}_1,...,s^{(1)}_D),...,(s^{(M)}_1,...,s^{(M)}_D)) = (s^{(1)}_1,...,s^{(1)}_D) # ... # (s^{(M)}_1,...,s^{(M)}_D)) </tex>, где seq - операция построения последовательности, а super (или <tex>#</tex>) - операция суперпозиции (сложения) многомерных дискретных элементарных исходов (<tex>s^{(l)}_k</tex> - число исходов типа k в интервале l).
+
<tex>\omega = \int_{0}^{T} {w_t dt} = (i_1, ...,i_D) = super(seq_{l=1,M} {\int_{T/M*(l-1)+\delta_+}^{T/M*l} {w_t dt}}) = super ( (s^{(1)}_1,...,s^{(1)}_D),...,(s^{(M)}_1,...,s^{(M)}_D)) = (s^{(1)}_1,...,s^{(1)}_D) # ... # (s^{(M)}_1,...,s^{(M)}_D)) </tex>, где seq - операция построения последовательности, а super (или <tex>\#</tex>) - операция суперпозиции (сложения) многомерных дискретных элементарных исходов (<tex>s^{(l)}_k</tex> - число исходов типа k в интервале l).
* > ...это приводит к появлению дополнительных ограничений типа равенств в задаче максимизации правдоподобия;...
* > ...это приводит к появлению дополнительных ограничений типа равенств в задаче максимизации правдоподобия;...
*# Это справедливо только в параметрическом случае и в случае, когда обратные функции (которые появятся при решении связей) будут удовлетворять некоторым условиям?
*# Это справедливо только в параметрическом случае и в случае, когда обратные функции (которые появятся при решении связей) будут удовлетворять некоторым условиям?

Версия 07:28, 6 августа 2008

Обсуждение

  • > ...Время считается дискретным...
    1. Подход, в котором плотность вначале представляется как непрерывная функция времени, мне представляется лучшим. Поскольку в таком подходе можно выбирать различное число интервалов разбиения. Интересно, что

\omega = \int_{0}^{T} {w_t dt} = (i_1, ...,i_D) = super(seq_{l=1,M} {\int_{T/M*(l-1)+\delta_+}^{T/M*l} {w_t dt}}) = super ( (s^{(1)}_1,...,s^{(1)}_D),...,(s^{(M)}_1,...,s^{(M)}_D)) = (s^{(1)}_1,...,s^{(1)}_D) # ... # (s^{(M)}_1,...,s^{(M)}_D)) , где seq - операция построения последовательности, а super (или \#) - операция суперпозиции (сложения) многомерных дискретных элементарных исходов (s^{(l)}_k - число исходов типа k в интервале l).

  • > ...это приводит к появлению дополнительных ограничений типа равенств в задаче максимизации правдоподобия;...
    1. Это справедливо только в параметрическом случае и в случае, когда обратные функции (которые появятся при решении связей) будут удовлетворять некоторым условиям?
    2. Максимизация правдоподобия - только один из методов получения оценок (пусть даже и с "хорошими" свойствами).
  • > ...выборка может быть «немного» неоднородной;...
    1. Если вводить веса (через ядро), то, такое впечатление, это эквивалентно тому, что мы делаем выборку однородной, но во всех функционалах учитываем веса. Если решение пойдет по этому пути, тогда можно подумать на тему введения весов для каждого элемента эмпирических данных?
Личные инструменты