导航

    精算后花园

    • 注册
    • 登录
    • 搜索
    • 版块
    • 最新
    • 话题
    • 热门
    • 用户
    • 群组
    1. 主页
    2. 谢远涛
    3. 主题
    谢
    • 资料
    • 关注
    • 粉丝
    • 主题
    • 帖子
    • 最佳
    • 群组

    谢远涛 创建的主题

    • 谢

      再保险中高阶矩计算:对数正态分布与正态分布
      R • 2020年5月25日 01:33 • 谢远涛   2020年5月25日 06:08

      2
      1
      赞同
      2
      帖子
      12
      浏览

      J 2020年5月25日 06:08

      给谢老师点赞~好多帖子 帮老师排了下版~
    • 谢

      按照某个变量的值拆分数据集(为循环和批量分析服务)
      SAS • 2020年5月25日 01:24 • 谢远涛   2020年5月25日 01:24

      1
      1
      赞同
      1
      帖子
      5
      浏览

      尚无回复

    • 谢

      SAS结果仿STATA输出&内生性问题
      SAS • 2020年5月25日 01:21 • 谢远涛   2020年5月25日 01:21

      1
      0
      赞同
      1
      帖子
      2
      浏览

      尚无回复

    • 谢

      SAS IML交互式数据处理及小实例
      SAS • 2020年5月25日 01:08 • 谢远涛   2020年5月25日 01:08

      1
      0
      赞同
      1
      帖子
      4
      浏览

      尚无回复

    • 谢

      SAS ODS输出导出系统
      SAS • 2020年5月25日 01:05 • 谢远涛   2020年5月25日 01:05

      1
      0
      赞同
      1
      帖子
      3
      浏览

      尚无回复

    • 谢

      经济不平等分析:罗伦兹曲线与gini系数
      SAS • 2020年5月25日 01:03 • 谢远涛   2020年5月25日 01:03

      1
      0
      赞同
      1
      帖子
      2
      浏览

      尚无回复

    • 谢

      SAS 宏
      SAS • 2020年5月25日 01:01 • 谢远涛   2020年5月25日 01:01

      1
      0
      赞同
      1
      帖子
      3
      浏览

      尚无回复

    • 谢

      SAS SQL语句
      SAS • 2020年5月25日 00:59 • 谢远涛   2020年5月25日 00:59

      1
      0
      赞同
      1
      帖子
      3
      浏览

      尚无回复

    • 谢

      朴素贝叶斯
      R • 2020年5月25日 00:57 • 谢远涛   2020年5月25日 00:57

      1
      0
      赞同
      1
      帖子
      8
      浏览

      尚无回复

    • 谢

      罚广义线性模型:LASSO vs 岭回归
      R • 2020年5月25日 00:55 • 谢远涛   2020年6月10日 22:20

      7
      1
      赞同
      7
      帖子
      23
      浏览

      M 2020年6月10日 22:20

      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=β0+β1×x1+β2×x2+...βn×xn+e (β0+β1×x1+β2×x2+...βn×xn用向量表示的话就是 Xβ) Likelihood:L(β|X)=p(Y|X,β) MLE的任务就是要最大化likelihood。 因为服从e服从N(0,σe2), 所以 服从y服从N(Xβ,σe2I) 因此, likelihood 可以表示为 Likelihood N(Xβ,σe2I)∝exp(−12σe2||Y−Xβ||2) 所以得出结论:需要找到让||Y−Xβ||2最小的β 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β的先验分布是正态分布N(0,τ2I)其中τ是未知常量 根据贝叶斯公式,可以得到 p(β|X,Y)∝p(Y|X,β)p(β) Likelihood∝exp(−12σe2||Y−Xβ||2)×exp(−12τ2||β||22) 最大化likelihood就是最小化||Y−Xβ||2+σe2τ2||β||22 其中σe2τ2就是参数lambda
    • 谢

      SAS关于身份证号码的提取分析
      SAS • 2020年5月25日 00:52 • 谢远涛   2020年5月25日 00:52

      1
      0
      赞同
      1
      帖子
      4
      浏览

      尚无回复