R

• M

  Unsupervised learning学习资料
  • Mengkelyu  

  1
  0
  赞同
  1
  帖子
  6
  浏览

  尚无回复

• M

  R for Actuarial Science Students
  • Mengkelyu  

  1
  0
  赞同
  1
  帖子
  6
  浏览

  尚无回复

• M

  Subsetting Data R
  • Mengkelyu  

  2
  0
  赞同
  2
  帖子
  8
  浏览

  M

  什么时候可以用 - 反选， 什么时候不能用 - 反选 例子一：这个例子里面，我们选择了前三行作为测试集，用了后面的行作为训练集 split <- c(1,2,3) train <- mydata[split,] test <- mydata[-split,] 例子二：这个例子里面，我们选择了 ID < 50 作为训练集，其它为测试集 split <- mydata$ID < 50 # 这里split的结果是一个包含了True和False的数列!!! train <- mydata[split,] test <- mydata[!split,] 下面的例子都是从网上找到的可以replicate的代码 例子一： data(mtcars) ## 75% of the sample size smp_size <- floor(0.75 * nrow(mtcars)) ## set the seed to make your partition reproducible set.seed(123) train_ind <- sample(seq_len(nrow(mtcars)), size = smp_size) # 注释：这里用sample生成的是从最大行数里面随便选的一些行数 train <- mtcars[train_ind, ] test <- mtcars[-train_ind, ] 例子二： n = nrow(dataset) split = sample(c(TRUE, FALSE), n, replace=TRUE, prob=c(0.75, 0.25)) # 注释：这里用sample生成的是用True和False组成的，长度为原本数据集长度的变量 training = dataset[split, ] testing = dataset[!split, ]
• M

  精算R包actuar
  • Mengkelyu  

  5
  0
  赞同
  5
  帖子
  21
  浏览

  M

  参考文献 https://cran.r-project.org/web/views/Distributions.html actuar.pdf Simulation+of+Compound+Hierarchical+Models+in+R.pdf https://cran.r-project.org/web/packages/actuar/vignettes/credibility.pdf
• M

  如何安装Github中的R包
  • Mengkelyu  

  1
  1
  赞同
  1
  帖子
  4
  浏览

  尚无回复

• M

  ggplot examples
  • Mengkelyu  

  1
  0
  赞同
  1
  帖子
  6
  浏览

  尚无回复

• M

  Wilcoxon signed-rank test using R
  • Mengkelyu  

  2
  0
  赞同
  2
  帖子
  7
  浏览

  M

  当然，也可以用stats包来完成这一任务 library(stats) wilcox.test(x, y)
• 谢

  罚广义线性模型：LASSO vs 岭回归
  • 谢远涛  

  7
  1
  赞同
  7
  帖子
  23
  浏览

  M

  Ridge罚回归的贝叶斯解释: Bayesian interpretation of regularization 普通OLS回顾 对于普通的OLS回归，当假设残差项为正态分布时，我们可以把它算作MLE（Maximum likelihood regression) $y={\beta }_0+{\beta }_1\times x_1+{\beta }_2\times x_2+...{\beta }_n\times x_n+e$ (${\beta }_0+{\beta }_1\times x_1+{\beta }_2\times x_2+...{\beta }_n\times x_n$用向量表示的话就是 $X\beta$) $\text{Likelihood}:L(\beta |X)=p(Y|X,\beta )$ MLE的任务就是要最大化likelihood。 因为$e\text{服从}N(0,{\sigma }_e^2)$, 所以 $y\text{服从}N(X\beta ,{\sigma }_e^{2}I)$ 因此, likelihood 可以表示为 $\text{Likelihood}N(X\beta ,{\sigma }_e^{2}I)\propto exp(-\frac{1}{2{\sigma }_e^2}||Y-X\beta |{|}^2)$ 所以得出结论：需要找到让$||Y-X\beta |{|}^2$最小的$\beta$ 罚回归 这里要引入MAP的概念(maximum a posteriori estimate)，是指最大化后验分布概率 罚回归相当于我们假设$\beta$的先验分布是正态分布$N(0,{\tau }^{2}I)$其中$\tau$是未知常量 根据贝叶斯公式，可以得到 $p(\beta |X,Y)\propto p(Y|X,\beta )p(\beta )$ $\text{Likelihood}\propto exp(-\frac{1}{2{\sigma }_e^2}||Y-X\beta |{|}^2)\times exp(-\frac{1}{2{\tau }^2}||\beta |{|}_2^2)$ 最大化likelihood就是最小化$||Y-X\beta |{|}^2+\frac{{\sigma }_e^2}{{\tau }^2}||\beta |{|}_2^2$ 其中$\frac{{\sigma }_e^2}{{\tau }^2}$就是参数$lambda$
• 谢

  再保险中高阶矩计算：对数正态分布与正态分布
  • 谢远涛  

  2
  1
  赞同
  2
  帖子
  12
  浏览

  J

  给谢老师点赞~好多帖子 帮老师排了下版~
• 谢

  朴素贝叶斯
  • 谢远涛  

  1
  0
  赞同
  1
  帖子
  8
  浏览

  尚无回复

• M

  R中对于日期型数据的处理
  • Mengkelyu  

  2
  0
  赞同
  2
  帖子
  11
  浏览

  M

  注意，如果有一些数据无法转换为日期格式，as.Date会给出NA，但是不会有警告 所以我们也可以用另一个著名的用来处理日期的包，lubridate，语法为 parse_date_time(表名称$列名称,"%d/%m/%Y") 这个函数会对没能转换的值提出警告： Warning message: 1 failed to parse. 这个包的参考文件如下： lubridate.pdf lubridate cheatsheet.pdf