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 • • 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

      按照某个变量的值拆分数据集(为循环和批量分析服务)
      SAS • • 谢远涛  

      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 • • 谢远涛  

      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 • • 谢远涛  

      1
      0
      赞同
      1
      帖子
      4
      浏览

      尚无回复

    • 谢

      SAS ODS输出导出系统
      SAS • • 谢远涛  

      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 • • 谢远涛  

      1
      0
      赞同
      1
      帖子
      2
      浏览

      尚无回复

    • 谢

      SAS 宏
      SAS • • 谢远涛  

      1
      0
      赞同
      1
      帖子
      3
      浏览

      尚无回复

    • 谢

      SAS SQL语句
      SAS • • 谢远涛  

      1
      0
      赞同
      1
      帖子
      3
      浏览

      尚无回复

    • 谢

      朴素贝叶斯
      R • • 谢远涛  

      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 • • 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

      SAS关于身份证号码的提取分析
      SAS • • 谢远涛  

      1
      0
      赞同
      1
      帖子
      4
      浏览

      尚无回复