杂志文章

GGMNONREG非正规化高斯图形模型

2021年11月

发布于:

开源软件杂志6(67), 3308, https://doi.org/10.21105/joss.03308

by:唐纳德威廉斯

抽象性

多变量数据集复杂关系研究是全科学的共同任务图形建模在广度数据字段中相当常见,即变量多于观察时因此,为许多正规化方法开发 数据类型规范化有关键缺陷,包括但不限于获取参数不确定性有效测量非常困难(Bühlmann等人,2014年),并可能出现夸大假正率(见
举个例子DonaldRWilliams等人,2019年认知神经科学家模型脑连通性,目的是挖掘迭代区域间的功能和结构关联(Ortiz等人,2015年)。临床心理学研究者希望更好地了解心理失常所依托的复杂症状关系网(Borsboom et al.,2011!2016年McNally)图形建模成为科学查询箱中常用工具基本思想是通过学习条件依赖结构来描述多变关系语义区域或症状为节点,特征连接节点为边框,图形表示条件依赖结构
图形建模在广度数据字段中相当常见,即变量多于观察时因此,为这类数据开发了许多规范化方法。规范化有关键缺陷,包括但不限于获取参数不确定性有效测量非常困难(Bühlmann等人,2014年),并可能出现夸大假正率(例如见Donald RWilliams等人,2019年
最近,图形建模在心理学中出现(Epskamp等2018年数据典型长或低维唐纳德RWilliams等2019年
唐纳德RWilliams&Rast(2019年)GGMNONREG的主要目的是提供专为低维数据设计的方法(例如常用数据)
社会行为科学)
更多见
访问日志

文章出自NWEA全文可见上链路

题目:度量和缩放

相关题目