问题标签 [multivariate-partition]

这是等式：

这是条件的描述：

最初，给定 miu0，miu0 是 x[1]、x[2] 和 x[3] 的函数。我需要使用 x[1]、x[2] 和 x[3] 来求解 a、b 和 c。但是，我只有 1 个关于 x[1]、x[2] 和 x[3] 的方程。如果我引入 f2、f3、f4，那么就会涉及到新的未知数 a、b、c。

现在的问题是我不知道应该使用哪个函数/命令来计算 x。我尝试使用multiroot，但在这种情况下似乎不起作用。

我正在寻找有关创建分类树的建议，其中每个拆分都基于多个变量。一点背景知识：我正在帮助设计一个植被分类系统，我们希望使用分类和回归树算法来分类新的蔬菜数据并创建（或至少帮助创建）可以使用的视觉键在出版物中。我使用的数据以社区数据的形式排列，树种作为列，观察作为行，第一列是类的一个因素。我还要补充一点，我对这种类型的分析很陌生，虽然我尝试尽可能多地阅读它，但很可能我错过了一些简单但重要的方面。我很抱歉。

现在的问题是：R 具有出色的软件包和出色的文档，可用于单变量拆分（例如 rpart、partykit、C5.0）的分类。但是，理想情况下，我希望能够创建分类树，其中每个拆分都基于多个标准 - 因此，不是每个拆分都有一个决策（例如“物种 A > 6.67 的百分比覆盖率”），而是多个（百分比覆盖率物种 A > 6.67 和物种 B 覆盖率 < 4.2)。我在寻找能够进行多变量拆分和创建树的包时遇到了很多麻烦。这个答案：https ://stats.stackexchange.com/questions/4356/does-rpart-use-multivariate-splits-by-default非常有用，我已经尝试了那里建议的所有用于多变量拆分的包。Prim 确实进行了多变量拆分，但似乎没有生成树；partDSA 包似乎有点像我正在寻找的东西，但它也只创建每个拆分一个标准的树；optpart 包似乎也无法制作分类树。如果有人对我如何基于多元分区方法制作分类树有任何建议，那将非常感激。

另外，这是我的第一个问题，我非常愿意接受有关如何提问的建议。在这种情况下，我不觉得提供一个例子会有帮助，但如果有必要，我很容易做到。
非常感谢！

我有许多数字变量的数据框。有没有一种方法可以计算（不绘制）比其他密度低的全局密度区域？换句话说，有没有一种方法可以定位超空间中数据点非常稀疏的区域？

我正在尝试将来自多个主题的数据缩放到相同的时间尺度上。当前数据文件包含每个主题 3 个月的数据，但每个主题的每个事件的时间戳反映不同的开始结束日期。

我想将 df 更改为具有共同的时间刻度，以便我有一个日期索引，允许我保持相同的格式，如下所示：

这是我的数据框：

我想将该数据帧转换为虚拟（一种热编码），如下所示：

我尝试使用 pandas.get_dummies 但它失败了，因为变量是多变量的。

在通过 keras（使用 tensorflow 后端）计算混合密度网络时，我遇到了一个问题。这个 MDN 的目标是学习图像的潜在表示（为了在自动编码器中实现 MDN 的预测）。然后，我想将我的输入图像建模为多元正态分布，并作为网络输出获得一个 mu 和 sigma 向量（每个维度为 64），以及一组 N 个权重 alpha（其中 N 是混合物中的分量数）。如果我认为每个参数的输出形状为 64，一切正常，但获得比组件更多的 alpha 因子（在我的情况下是 64 维 alpha）是没有意义的。当我尝试指定 alpha 以获得与 mu 和 sigma 不同的形状时，会出现一些问题。

为了在 tensorflow 的 MixtureSameFamily 模块中实现协方差矩阵，我考虑了 sigma 向量的对角矩阵。然后，我在许多论坛上发现了这个损失函数（负对数似然），并尝试将其适应我的问题：

如果我尝试向我的网络提供一些数据并对其进行编译，我总是会遇到以下错误：

64 是向量的维度，2 是批量大小。使用 1 的批量大小是可行的，但给了我一些 NaN 作为损失。

以下是 alpha、mu 和 sigma 层的构建方式：

因此，问题是：是否有可能通过 tensorflow 做到这一点？有没有其他人在这里使用这种网络，可以向我解释如何处理损失函数？

亲切的问候，

阿德里安

我正在尝试使用线性回归技术查找 linnerud 数据集的性能和均方误差。我在传递数据时卡住并收到错误“ValueError：找到样本数量不一致的输入变量：[10, 1]”。Linnerud 数据集在目标中具有三个特征和三列，我只想使用一个特征，即 chinup。有人可以帮我解决我卡住的问题吗？

以下是我迄今为止尝试过的，参考https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html

我期待在以下示例中取得类似的结果， https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html

我有由最小点和最大点定义的 d 维超矩形。我在这些矩形上有权重，它们形成 [0,1]^d 的分区。我如何绘制一个多面的 geom_tiles 来显示这个分区的每个二维投影？

例如，对于第一个框，它从x$minimum_points[1,]到x$maximum_points[1,]。请注意，我建议的框是 [0,1]^4 的分区。

如果问题的维度是 2，我可以使用 geom_tile 和类似这个问题的结果。但我在一个多维的情况下，我想要一个图来描述所有的二元边缘，矩形填充的灰色量与它们对应的权重成正比......

我不确定我是否足够清楚。你能帮忙吗 ？

编辑：这篇文章也可能是相关的，这看起来很像我想要的，但我想要这些图之一用于我的 4 维问题的每个双变量投影（pairs如果你想绘制 4 维数据，就像会做的那样）。

编辑：如果我只想绘制前 2 个维度，我可以这样做：

这有一个问题：它假设alpha参数是相加的：如果我设置两个分别为alpha0.1 和 0.2 的框，则交集看起来像一个带有alpha0.3 的框。如果这是真的，那就完美了！否则必须做一些更聪明的事情..

此外，我该如何面对它？即，如果 facet_grid 中的尺寸，对所有夫妻都这样做？每个维度都等于自身的情况是不可能的，因此在刻面网格的对角线上不绘制任何内容是可以的。

我想运行具有两个响应（独立）变量的多元混合回归 MCMC 模型，即大胆分数（连续变量）和攻击等级（序数等级）。试验数字（整数）是固定效应，而个体 ID 是随机效应。我正在使用混合模型方法来划分个体之间的协方差和个体内部的协方差。如果有人让我知道如何做到这一点，我将不胜感激，以及使用哪个包，最好是在 R 中以及要指定什么先验。非常感谢您！

我想在一个图中可视化离散和连续数据的几个变量。有人对可视化示例或我应该在哪里看一下有建议吗？

先感谢您。