Методов повторной дискретизации

Повторно попробуйте набор данных с помощью bootstrap, jackknife и cross validation

Используйте методы повторной дискретизации для оценки описательной статистики и доверительных интервалов из выборочных данных, когда допущения параметрического теста не выполняются, или для небольших выборок из ненормальных распределений. Методы Bootstrap выбирают случайные выборки с заменой из выборочных данных, чтобы оценить доверительные интервалы для интересующих параметров. Jackknife систематически пересчитывает интересующий параметр с помощью подмножества выборочных данных, каждый раз оставляя одно наблюдение вне подмножества (повторная дискретизация с единичной выборкой). Из этих вычислений он оценивает интересующий параметр для всей выборки данных. Если у вас есть лицензия Parallel Computing Toolbox™, можно использовать параллельные вычисления, чтобы ускорить вычисления повторной дискретизации.

Функции

bootciДоверительный интервал Bootstrap
bootstrpВыборка Bootstrap
crossvalОцените потери с помощью перекрестной проверки
datasampleСлучайная выборка из данных, с заменой или без
jackknifeОтбор проб Jackknife
randsampleСлучайная выборка

Темы

Статистика повторной дискретизации

Используйте методы bootstrap и jackknife, чтобы измерить неопределенность в предполагаемых параметрах и статистике.

Быстрый запуск параллельных вычислений для набора инструментов Statistics and Machine Learning Toolbox

Начало работы с параллельными статистическими вычислениями.

Реализуйте Jackknife с помощью параллельных вычислений

Ускорите работу джекнойфа с помощью параллельных вычислений.

Реализуйте перекрестную валидацию с помощью параллельных вычислений

Ускорите перекрестную валидацию с помощью параллельных вычислений.

Реализуйте Bootstrap с использованием параллельных вычислений

Ускорите загрузку с помощью параллельных вычислений.

Для просмотра документации необходимо авторизоваться на сайте