ノンパラメトリック回帰の広場の表紙に戻る Q1:ノンパラメトリック回帰って何ですか? Q2:ノンパラメトリック検定(ウィルコクスン検定とか)は、ノンパラメトリック回帰と関係あるんですか? Q3:ノンパラメトリック統計というのは、ノンパラメトリック回帰のことですか? Q4:ニューラルネットワークとノンパラメトリック回帰は関係がありますか? Q5:樹形モデルもノンパラメトリック回帰ですか? Q6:ノンパラメトリック回帰よりデータマイニングの方が盛んなのは何故ですか? Q7:平滑化ってノンパラメトリック回帰の別名ですか? Q8:平滑化パラメータって何ですか? バンド幅と違うのですか? Q9:平滑化スプラインの平滑化パラメータの値はどのくらいがいいのですか? Q10:局所1次式回帰、局所2次式回帰、局所3次式回帰、---、といろいろ考えられます。どれを使えばいいですか? Q11:ノンパラメトリック
Y = fft(X) は高速フーリエ変換 (FFT) アルゴリズムを使用して、X の離散フーリエ変換 (DFT) を計算します。Y は、X と同じサイズになります。 X がベクトルの場合、fft(X) はそのベクトルのフーリエ変換を返します。 X が行列の場合、fft(X) は、X の列をベクトルとして扱い、各列のフーリエ変換を返します。 X が多次元配列の場合、fft(X) は、サイズが 1 ではない最初の配列次元に沿った値をベクトルとして扱い、各ベクトルのフーリエ変換を返します。
ベクトル量子化(ベクトルりょうしか、英: Vector Quantization, VQ)は連続空間に存在するベクトルを有限個の代表ベクトルへ離散化する操作である。すなわちベクトルを入力とする量子化である。 概要[編集] 通常の(スカラー)量子化は連続値を有限個の代表値へと集約する。例えば標本化したアナログ音声信号の各サンプルを、最も近いビット/デジタル符号に置き換える。サンプルと代表値はともに1次元/スカラーである。 これに対してベクトル量子化はN次元空間内のベクトルを対象として量子化をおこなう。例えばステレオ2chの信号を各チャンネルごとでなく左右セット (=2次元ベクトル) で扱い、このベクトルをまとめて有限個の代表値へ符号化する。ベクトル単位での量子化であることからベクトル量子化と呼ばれる。 アルゴリズム[編集] ベクトル量子化(の推論)では、K個の代表ベクトル および同次元の入力
多変数間の相関に基づくものであり、多変量解析に用いられる。新たな標本につき、類似性によって既知の標本との関係を明らかにするのに有用である。データの相関を考慮し、また尺度水準によらないという点で、ユークリッド空間で定義される普通のユークリッド距離とは異なる。 ある集団内の点が多変数ベクトル で表されるとき、その集団の変数ごとの平均値を縦ベクトルで と表し、集団の共分散行列(各変数間の共分散を配列した行列)を とすれば、ある点 からの集団へのマハラノビス距離は、以下のように定義される: 平方根の内側は、縦ベクトルの転置と行列と縦ベクトルの積であり、スカラー量(正値二次形式)で正である。 マハラノビス距離はまた、共分散行列が で同じ確率分布に従う2つの確率変数ベクトル、 と の間の隔たりの指標としても定義できる: 共分散行列が対角行列であれば(相異なる変数に相関がないということ)、マハラノビス距
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く