问题标签 [bernoulli-probability]

我想模拟伯努利过程。我丢了 N 次硬币

现在有两种情况：

(i) 此时我继续投币直到 2*N：

(ii) 在这里我重新启动随机序列并继续下降直到 2*N：

在第一种情况下，2*N 次投掷中 k 次成功的概率计算为

第二种情况是否同样正确？或者由于发电机重置，我们不能将 2*N 周期视为单个进程？

我正在对发票和收据进行分类，我将使用伯努利模型。

这是朴素贝叶斯分类器：

P(c|x) = P(x|c) x P(c) / P(x)

我知道如何计算 P(c) 类先验概率，因为我们假设所有单词都是独立的，所以我们不需要 P(x)。

现在公式将是这样的： P(c|x) = P(x|c) x P(c) 为了计算 P(x|c)，我们使用似然法计算所有单词的概率 P(c| X) = P(x1|c)P(x2|c)*P(x3|c)....

我的问题是在计算似然之后我是否需要将它与 P(c) 相乘，P(c|X) = P(x1|c)P(x2|c)*P(x3|c)... *个人电脑）？

我目前正在尝试对伯努利数据进行模拟研究，以表明当样本量很大时，样本比例 ^p 也大致呈正态分布。

从一个练习中，我被告知伯努利数据是通过以下方式生成的：

因为我们使用的样本量为 50，真实比例为 0.5。

我们得到了使用指数数据进行模拟研究的代码，但我们必须使用上面的伯努利数据代码来更改代码，而不是使用指数数据代码，示例代码如下：

但是出现的问题是当我添加以下代码时：

我得到一个直方图结果，上面有这样的值

但是对于 QQ Plot，结果看起来像，这似乎不正确。我不知道出了什么问题，任何帮助都将不胜感激。

所以，我知道在 R 中，您可以以这种形式为逻辑回归提供数据：

model <- glm( cbind(count_1, count_0) ~ [features] ..., family = 'binomial' )

cbind(count_1, count_0)有没有办法用 sklearn.linear_model.LogisticRegression做类似的事情？还是我实际上必须提供所有这些重复的行？（我的特征是分类的，所以会有很多冗余。）

如何scipy有效地从伯努利分布中提取数字？

以下是为伯努利分布定义的函数。我是新的 R 用户。我不太了解以下代码。

我想在定义的函数中，我们已经将参数预先确定prob为0.5，那么为什么我们可以将其更改为0.7使用定义的函数时呢？这些代码合理吗？我可以按如下方式更正吗？

c(0,1)我经常面临这样的问题，即我想用不同的“成功”概率向量替换重复抽取样本prob，例如

使用两个for循环的两个选项是：

和

是否有更直接（最佳，优雅）的方法来做到这一点，例如不使用for循环？

我有一些分类数据显示植物家族、果实类型、果实颜色和种子散布，其中响应变量（散布）为 0 表示否或 1 表示是。

我正在执行二项式 GLM，并且正在使用 MuMIn 包来“疏通”全局模型。

当我尝试根据 AICc 权重绘制最重要的模型时（正如我之前在其他迭代中所做的那样），我收到警告错误：

"Error in pal[, 1L + ((i - 1L)%%npal)] : incorrect number of dimensions"

有谁知道为什么会这样？我在许多其他迭代中使用了相同的代码（即更改响应变量）并且以前没有问题。

我是 MATLAB 环境的新手，无论我多么努力，似乎我都无法理解如何为多元伯努利构造 ML 算法。

我有一个包含 N 个变量 (x1,x2,...,xN) 的数据集，每个变量都是一个 D 维向量 (Dx1)，参数向量的形式为 p=(p1,p2,...,pD ) . 所以伯努利分布应该有以下形式：

我创建的代码使用 MATLAB 的 mle 函数：

这给了我一个来自数据集的估计概率的 D 向量。但是，我真正感兴趣的是如何在逐步的 MATLAB 过程中实现 ML，而不仅仅是使用 mle。

非常感谢。

我必须实现一个朴素贝叶斯分类器来将文档分类为一个类。因此，在获得属于类的项的条件概率时，连同拉普拉斯平滑，我们有：

prob(t | c) = Num(c 类文档中的单词出现次数) + 1 / Num(c 类文档) + |V|

它是一个伯努利模型，有 1 或 0，词汇量非常大，可能有 20000 个单词等等。因此，由于词汇量大，拉普拉斯平滑不会给出非常小的值，还是我做错了什么。

根据此链接的伪代码：http: //nlp.stanford.edu/IR-book/html/htmledition/the-bernoulli-model-1.html，对于伯努利模型，我们只需添加 2 而不是 |V| . 为什么这样？