阈值precision_recall_curve概率precision
Probabilistic principal component analysis-based anomaly detection for structures with missing data（概率主成分分析PPCA）
SHM can provide a large amount of data that can reveal the variation in the structure condition什么是压缩传感，数据重构，研究背景与意义，怎么用 基于模型的方法不可避免的缺点是模型的不确定性，因为很难创建能 ......
TPR、FPR、Precision、Recall、Sensitivity、Specificity、F1、KS、AUC、ROC
1. TPR、FPR、Precision、Recall、Sensitivity、Specificity、F1、KS、AUC、ROC 表格1.1 混淆矩阵 True Positive=TP； False Negative=FN，Type I Error； False Positive=FP，Type ......
每日一题003 | 证明：连续分布函数序列的点态收敛可以推出相应的分位数随机变量序列的依概率收敛。
?概率极限理论经典习题2：连续分布函数序列的点态收敛可以推出相应的分位数随机变量序列的依概率收敛。来自茆诗松《概率论与数理统计》第四章的习题。 ......
实现不同概率对应不同level思路
背景 现在我要实现一个level，有1/2概率level=1,1/4概率level=2,1/8概率level=3。。。。 典型应用跳表中的randomLevel，这里提供两种实现思路 随机累加 简单点多次循环随机，小于1/2则level+1 level = 1 while (rand.float(0 ......
图像二值化--阈值自动选取
图像分割是图像处理这门学科中的基础难题，基于阈值的分割则又是图像分割的最基本的难题之一，其难点在于阈值的选取。事实证明，阈值的选择的恰当与否对分割的效果起着决定性的作用。由于阈值选取对图像分割的基础性，本文主要在【1】、【2】、【3】、【4】等的基础上，对一些当前流行的阈值选取算法做了探讨、实现和比 ......
【数学】- 概率论
概率论 参考：https://zhuanlan.zhihu.com/p/330669300 简介 被期望坑过无数次了。痛定思痛，决定写一写。OI中期望常可以通过线性递推得到状态转移，所以也有很大一部分期望题因此被冠以 “期望/概率DP” 之称，属于广义的 “动态规划” 范畴。当然，OI中涉及的大多是 ......
Precise Temperature Control Solutions
Multi-span Temperature Controllers Provide high-performance multi-span temperature controllers to control temperatures across multiple zones or setpoi ......
概率期望小结论
对于一个概率 \(p\)，设它能提供的期望值为命中此概率的次数。那么保持这个概率直至命中此概率的期望值为 \(\frac{1}{p}\) 证明： \[\begin{aligned} \sum\limits_{i = 1}^{\infty} (1 - p) ^ {i - 1} * p * i &= p ......
一文带你零基础深入理解随机变量，概率分布与统计量
一. 随机事件与概率 1.1 随机现象 在自然界和人类活动中，发生的现象多种多样，比如下列这些现象： 1. 偶数能被2整除 2. 光的速度是常数 3. 一家门店一天之内的订单量 4. 一个新生儿可能是男生也可能是女生 5. AB实验存在对照组和实验组 6. 李华上厕所的时间 不难发现，其中①②⑤这类 ......
关于联合概率密度和边缘概率密度的几何意义
1.这里密度比较抽象，可以理解成高度，更直观 f(x,y)可以理解成一个区域中某一点的高度，那f(x,y)的二重积分就是这个区域*对应的高度=体积 关于 边缘概率密度，实际是一个截面的面积，和高度不一样了。 fx(x)指对x的边缘密度，意义是垂直x轴切片，给一个x，输出x处的截面积 fy(y)指对y ......
概率统计
随机变量与分布函数 随机变量本质上就是个变量，它分为两种：连续型随机变量（变量的可能取值是连续的，比如小酱等车的时间没法精确到准确的值）和离散型随机变量（变量的可能取值是离散的，比如小酱扔硬币只有正反面两种值）。 分布函数的定义：假如 \(X\) 是个随机变量，那么它的分布函数 \(F(x)\) 被 ......
概率论期中考试冲刺
那些分布 二项分布 泊松分布 几何分布 帕斯卡分布 均匀分布 指数分布 正态分布 它们的参数、概率密度函数与分布函数、统计特征、意义 那些公式 期望 \[E(g(X))=\int_{-\infty}^{+\infty}g(t)f(t)dt. \]密度函数 \(y=g(x)\)处处可导且严格单调，则： ......
P4260 博弈论与概率统计
传送门 description \(T\) 次询问，每次给定 \(n,m,p\)，总共 \(n+m\) 局游戏，每局 A 有 \(p\) 的概率获胜。一局游戏获胜 A 的得分加 1，否则减 1，但是如果 A 在得分为 0 的情况下输了一局，得分不变。求 A 赢 \(n\) 局，输 \(m\) 局后游 ......
学习笔记：概率期望
概率 & 期望 样本空间、随机事件 定义 一个随机现象中可能发生的不能再细分的结果被称为 样本点。所有样本点的集合称为 样本空间，通常用 \(\Omega\) 来表示。 一个 随机事件 是样本空间 \(\Omega\) 的子集，它由若干样本点构成，用大写字母 \(A, B, C, \cdots\) ......
Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
全文链接 :https://tecdat.cn/?p=33896 原文出处：拓端数据部落公众号 这篇文章展示了自激励阈值自回归SETAR的使用，用于分析经常被客户研究的太阳黑子数据集。具体而言，研究SETAR模型的估计和预测。 我们在这里考虑原始的太阳黑子序列以匹配ARMA示例，尽管文献中许多来源在 ......
P3978 概率论
题面传送门 description 求 \(n\) 个结点的无标号有根二叉树叶子结点的期望个数。 \(1\leq n\leq 10^9\) solution 设 \(g_n\) 为 \(n\) 个点的有根无标号二叉树的个数，\(f_n\) 为所有 \(n\) 个点的有根无标号二叉树的叶子结点个数和， ......
R语言中的Stan概率编程MCMC采样的贝叶斯模型|附代码数据
原文链接：http://tecdat.cn/?p=11161 最近我们被客户要求撰写关于贝叶斯模型的研究报告，包括一些图形和统计输出。 概率编程使我们能够实现统计模型，而不必担心技术细节。这对于基于MCMC采样的贝叶斯模型特别有用 R语言中RStan贝叶斯层次模型分析示例 stan简介 Stan是用 ......
基于模态分解联合小波阈值去噪（汇总）
1.MATLAB：基于EMD联合小波阈值去噪算法 代码见：基于EMD分解联合小波去噪 (mbd.pub) 基于EMD（经验模态分解）联合小波阈值去噪算法是一种常用于信号处理和图像处理领域的算法。它主要依赖于经验模态分解和小波阈值去噪两个步骤。 经验模态分解（EMD）是一种将信号分解成多个固有模态 ......
概率论视频课笔记
只做理解类记录，哪个知识点忘了去看视频。前四章是概率，看的框框老师。 概率论 1、随机试验：可重复性、可预知性、不确定性 2、样本空间：随机试验E的所有可能结果，记为S或Ω 3、样本点：样本空间中的每一个元素e 4、随机事件：样本空间的子集，简称事件 5、事件发生：子集中某个样本点出现，不需要全部样 ......
概率与期望
一、基本概念 1. 随机试验 具有以下特点的试验称为随机试验（通常用 \(E\) 表示）： 可以在相同条件下重复进行 可能出现的结果有多个且试验之前知道所有的结果 试验结束后出现哪种结果是随机的 说人话：就是在相同条件下对某随机现象进行的大量重复观测 例子 \(E_1\)：抛一枚硬币，观察正、反面出 ......
有趣的概率——车羊问题与硬币问题
1、经典车羊问题 假设你参加一个游戏节目，有三扇关闭的门，其中一扇后面有一辆汽车，而其他两扇后面是山羊。你首先选择一扇门，然后主持人打开另外两扇门中的一扇，露出其中一只山羊。 现在，你可以选择是否改变自己的选择，选择另外一扇未被打开的门。那么，应该改变选择还是保持原来的选择呢？ import ran ......
找bug[概率初步]
题目描述 一个软件有 \(s\) 个子系统，会产生 \(n\) 种 bug。 某人一天发现一个 bug，这个 bug 属于某种 bug，发生在某个子系统中。 求找到所有的 \(n\) 种 bug，且每个子系统都找到 bug，这样所要的天数的期望。 bug 的数量是无穷大的，所以发现一个 bug，出现 ......
浅谈概率论
浅谈概率论 说句鲜花：明天就是月考，马上就是 csp。但是不想学有用的东西，就写了这篇博客。 严格数学公理体系：（水平不够，暂略） 贝叶斯公式： 定义 \(P(A|B)\) 为发生 \(B\) 事件下发生 \(A\) 事件的概率。则有 \(P(A|B) = \dfrac{P(B|A)P(A)}{P( ......
概率问求解
\(4\) 个骰子同时扔出，\(2\) 面同时朝上的概率为: 个人思路（不保证正确）： \(1st\) 为 \(6\) 的概率是：\(\frac{1}{6}\) \(2st\) 为 \(6\) 的概率是：\(\frac{1}{6}\) \(3st\) 不为 \(6\) 的概率是：\(\frac{5} ......
分布律，概率分布函数，概率密度函数
1. 分布律 定义 分布律只针对离散型随机变量，连续型没有 设离散型随机变量可能取值为\(x_k(k=1,2,...)\),事件\(\{X=x_k\}\)的概率为离散型随机变量\(X\)的分布律，记作\(P\{X=x_k\} = p_k,k=1,2...\) 性质 \(p_k>=0\) 。\(p_k ......
理论的动态发展完完备与进化：数论Number Theory数域的进化史 与 Infinite Precision无限精度+Infinite Approximation无穷近似
Infinite Precision: (0)数是什么？以有限的数元，度量与表示无限的现象、事物与状态，作为整个数学科学理论的根基。 以Binary二进制为例, 有{0,1}, Constant/Dynamic系统建模上，两种state(状态)？0->1与1->0代表“change变化”？ 而Dec ......
precision recall F1比较低， accuracy 很高
precision recall 比较低 accuracy 高 为什么神经网络accuracy值很高，但是F1,recall,precision特别差? 对于这个问题，首先要清楚accuracy，F1，recall，precision等概念的含义，为了弄清楚这些概念，以二分类（正，负）为例，现定义如 ......
先验概率和后验概率
事情还没有发生，要求这件事情发生的可能性的大小，是先验概率。 事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性的大小，是后验概率。 先验概率不是根据有关自然状态的全部资料测定的，而只是利用现有的材料(主要是历史资料)计算的；后验概率使用了有关自然状态更加全面的资料，既有先验概率资料，也有 ......
洛谷P3978 概率论
首先考虑当节点数为n时，有多少个二叉树 设\(f[i]\)表示节点为i时二叉树的个数，有 \[f[n]=\sum_{i=1}^{n-1}f[i]f[n-1-i] \]注意这种递推式子也是卡特兰数的一种形式，所以为卡特兰数 其实手写出前四项为1,2,5,14我们就要有足够的敏感度知道这是卡特兰数 然后 ......
概率学习（Genshin中）
几何分布 \[P(x=k)=(1-a)^{k-1}a,k>0 \]容易发现，\(E(x)=\dfrac{1}{a}\)。 Min-Max 容斥 对于集合 \(S\)，有： \[\max(S)=\sum_{T\subseteq S,T\neq \emptyset}\min(T)(-1)^{|T|+1} ......