Dynamic linear models with tfprobability
之前的文章介绍了 tfprobability（TensorFlow Probability 的 R 接口），重点介绍了深度神经网络的增强功能（例如，引入贝叶斯不确定性估计）以及使用汉密尔顿蒙特卡罗拟合分层模型。这次，我们将展示如何使用动态线性模型 (DLM) 拟合时间序列，从而得到后验预测以及来自卡尔曼滤波器的平滑和滤波估计。
Latitude Matters: A Global Perspective on Climate-Driven Demographic Responses in Tarantulas
Latitude Matters: A Global Perspective on Climate-Driven Demographic Responses in TarantulasABSTRACTAimTo investigate how past climate change has shaped the genetic diversity and demographic responses (changes in population size and structure inferred from genetic data) of tarantulas across latitude
纬度事项：关于气候驱动的人口统计学反应的全球植物地理学观点，研究了过去的气候变化如何塑造了纬度跨越塔朗氏菌的遗传多样性和人口统计学的反应，并测试气候和人口统计学关系是否随纬度而变化。位置：全球，跨越热带到温带地区。分类单元：狼蛛（家庭疗法科）。方法：我们整理了全球48种狼蛛种类的线粒体细胞色素氧化酶I（COI）序列，包括新生成的序列，以估算核苷酸的多样性和Tajima的D.物种分布模型（SDMS）构建了当今日期和最后的糖（LGM）最大（LGM）的最大条件，以量化适合于lgg lgg的现行日期和最后的最大条件（LGM）。使用广义线性模型（GLM），我们测试了遗传和人口统计指标是否与纬度和气候驱动
蝎子体型预测：对个体身体部位线性测量的系统发育比较研究摘要 体型一直是多项生态学研究的重点，因为它对其他生命史特征有着不可否认的影响。节肢动物体型的传统表示通常依赖于线性测量，例如总体长或可用于表示体型的特定身体部位的长度。虽然这些测量方法比更复杂的替代方法（例如干重）更简单，但对于具有复杂身体结构的节肢动物（例如蝎子）而言，技术问题仍然存在。在这些动物中，准确测量通常需要大量操作，包括拉伸身体部位。鉴于直接测量蝎子的总长度和甲壳长度（该群体中两种普遍的体型替代方法）的困难，本研究评估了七种简单的线性测量在系统发育框架下预测蝎子雄性体型长度测量的能力。在贝叶斯框架下拟合的系统发育混合线性模型得
How to regularize your regression
制药应用中的一系列回归实例。我们能否从类似的特定领域数据中学习如何设置正则化参数 \（\lambda\）？概述。实际因变量 \（y\）和特征向量 \（X\）之间最简单的关系可能是线性模型 \（y = \beta X\）。给定一些由特征和因变量对 \（（X_1，y_1），（X_2，y_2），\dots，（X_m，y_m）\）组成的训练示例或数据点，我们希望学习 \（\beta\），在给定未见过的示例的特征 \（X’\）的情况下，哪个会给出最佳预测 \（y’\）。将线性模型 \（\beta\）拟合到数据点的过程称为线性回归。这种简单而有效的模型在生物、行为和社会科学、环境研究和金融预测等领域有着广
摘要：空间极值科学和模型正则化的最新进展被应用于开发康涅狄格河流域上游雪水当量 (SWE) 区域极值数据。基于区域的 SWE 超标概率估计的开发与冷季概率洪水灾害分析 (PFHA) 相关。本案例研究中介绍的方法适用于与 PFHA 相关的其他水文气象变量。方法论符合极值理论（EVT）对空间极值的分析；因此，外推有坚实的理论基础。趋势面的开发以 EVT 理论和正则化一般线性模型的最新进展为指导。 R（一种用于统计计算和图形的免费软件环境）和 QGIS（一种免费开源地理信息系统）是用于产品开发和交付的主要工具。项目执行期间主要使用以下 R 软件包：evd、Glmnet、maps、raster、rgd
Non-linear Activation Functions for Neural Networks Simplified
激活函数是形成神经元输出的函数。它为预测添加了非线性，并使基于神经网络的预测器比线性模型好得多。我们通常会问自己应该使用哪种激活函数？答案是，这个问题没有一个万能的答案。这取决于具体情况。让我带您了解最常用的激活函数及其优缺点，以帮助您做出更好的决定。我们可以定义自己的激活函数以最好地满足我们的需求，最常用的激活函数是：1. S 型激活函数 2. Tan 双曲激活函数 3. ReLU（整流线性单元） 4. Leaky ReLU 它们每个的样子如下：图片来源：DeepLearning.ai 专业化 1. S 型激活函数 S 型激活函数的范围在 0 到 1 之间。它看起来像我们在不同研究领域中看到
Loss Function with Cross Entropy made simple
我在 Google 的 Udacity 深度学习课程上找到了这个。 我将详细说明这些笔记，以帮助您更好地理解这个概念。 符号：D（S，L）是交叉熵L是用于训练的标签S（Y）是多项逻辑分类的每个类的概率的 softmax 输出。 为什么叫多项逻辑分类？ 让我们看下面的图，有一个输入向量 X，我们用它来训练线性模型，也称为逻辑回归模型 - Wx + b。 这会产生 logit，也就是分数 Y，它进一步输入到 softmax 激活中以获得概率输出。 线性二元分类称为二项式逻辑分类。多项式表示有超过 2 个类（与二项式或二元分类相比）。-------------让我们帮助您理解交叉熵的数学。 它基本上
tfestimators 包是 TensorFlow Estimators 的 R 接口，TensorFlow Estimators 是一个高级 API，提供许多不同模型类型的实现，包括线性模型和深度神经网络。
