Hypothesis

1. 总体与样本 0x1：数理统计中为什么要引入总体和个体这个概念 概率论与数理统计中，一个很重要的研究对象就是总体的概率分布，理论上说，我们希望获得被研究对象的总体样本，基于这份总体样本进一步研究其概率分布，但是遗憾地是，几乎在100%的情况下，我们都不可能获得真正的总体，我们只能获取有限的样本量（例如自然生物里的统计问题），有时候甚至还是非常少的小样本集（例如宇宙星体观测结果），如何有效、准确、误差可控地利用有限的样本集，进行最大程度合理的统计推断，既是一个理论研究课题，也是非常有现实意义的应用理论。 因此概率论与数理统计科学家们提出了总体和个体这个概念，主要观点如下： 在大数定律的理论支撑下，只要我们的个人样本数足够多，个人样本的统计量会在趋近于1的概率下，趋近于总体样本的统计量。这就是我们在没有完整总体样本的情况下，依然能够利用概率论与数理统计这个强大的武器，对未知的事物开展统计研究的理论依据。 同样在大数定律的理论支撑下，即使样本数不够多，基于有限的样本数得到的估计结果，和理论总体之间的误差，也可以可以通过概率分布统计量的形式，定量地给出的，这给统计推断的不确定性决策提供了基础。 0x2：总体与样本 1. 总体的形式定义 在一个统计问题中，我们把研究对象的全体称为 总体 ，也即样本空间全集，构成总体的每个成员称为 个体 ，也即样本子集。 对于具体问题中

原文链接 安装所需的包 wants <- c("coin") has <- wants %in% rownames(installed.packages()) if(any(!has)) install.packages(wants[!has])> 一个样本 测试 set.seed(123) medH0 <- 30 DV <- sample(0:100, 20, replace=TRUE) DV <- DV[DV != medH0] N <- length(DV) (obs <- sum(DV > medH0)) [1] 15 (pGreater <- 1-pbinom(obs-1, N, 0.5)) [1] 0 .02069 (pTwoSided <- 2 * pGreater) [1] 0 .04139 威尔科克森排检验 IQ <- c(99, 131, 118, 112, 128, 136, 120, 107, 134, 122) medH0 <- 110 wilcox.test(IQ, alternative="greater", mu=medH0, conf.int=TRUE) Wilcoxon signed rank test data: IQ V = 48, p- value = 0.01855 alternative hypothesis: true

1、Wilcoxon Signed Rank Test Wilcoxon有符号秩检验(也称为Wilcoxon有符号秩和检验)是一种非参数检验。当统计数据中使用“非参数”一词时，并不意味着您对总体一无所知。这通常意味着总体数据没有正态分布。如果两个数据样本来自重复观察，那么它们是匹配的。利用Wilcoxon Signed-Rank检验，在不假设数据服从正态分布的前提下，判断出相应的数据总体分布是否相同如果数据对之间的差异是非正态分布的，则应使用Wilcoxon有符号秩检验。 The Wilcoxon signed rank test (also called the Wilcoxon signed rank sum test) is a non-parametric test. When the word “non-parametric” is used in stats, it doesn’t quite mean that you know nothing about the population. It usually means that you know the population data does not have a normal distribution. The Wilcoxon signed rank test should be used if the

所述 配对双样品的Wilcoxon检验 一种的非参数检验，其可以被用于比较样品的两个独立数据。 本文介绍如何在ř中计算两个样本的秩检验。 可视化数据并在ř中计算的Wilcoxon测试 ř函数用于计算的秩检验 为了执行两个样本的Wilcoxon检验，比较两个独立样本（x＆y）的 均值 ，R函数 wilcox.test （）可以如下使用： wilcox.test(x, y, alternative = "two.sided") x，y ：数字向量 替代方案 ：替代假设允许值是“two.sided”（默认值），“更大”或“更少”之一。 将数据导入R. 准备数据 将数据保存 在外部的.TXT选项卡或的的.csv文件中 将您的数据导入ř 如下： # If .txt tab file, use this my_data <- read.delim( file.choose()) # Or, if .csv file, use this my_data <- read.csv( file.choose()) 在这里，我们将使用一个示例数据集，其中包含18个人（9名女性和9名男性）的权重： # Data in two numeric vectors women_weight <- c( 38.9, 61.2, 73.3, 21.8, 63.4, 64.6, 48.4, 48.8, 48.5)

目录 简介 经典模型概述 Model 1: Attentive Reader and Impatient Reader Attentive Reader Impatient Reader Model 2: Attentive Sum Reader Model 3: Stanford Attentive Reader Model 4: AOA Reader Model 5: Match-LSTM and Answering Point Match-LSTM Pointer Net Match-LSTM and Answering Point Model 5: BiDAF Model 6: R-NET Model 7: QANet 总结 简介 机器阅读理解（Machine Reading Comprehension）为自然语言处理的核心任务之一，也是评价模型理解文本能力的一项重要任务，其本质可以看作是一种句子关系匹配任务，其具体的预测结果与具体任务有关。 记录一下之后用来实践的数据集： 阅读理解任务具有多种类别：单项/多项选择、完形填空以及抽取式问答。百度发布的DuReader机器阅读理解数据集涵盖了以上三种任务类型，因此选择用来实践也是非常合适的。 DuReader数据集的样本可用一个四维数组表示： \(\{q, t, D, A\}\) ，其中 \(q\) 表示问题， \(t\)

[TOC] 简介 机器阅读理解（Machine Reading Comprehension）为自然语言处理的核心任务之一，也是评价模型理解文本能力的一项重要任务，其本质可以看作是一种句子关系匹配任务，其具体的预测结果与具体任务有关。 记录一下之后用来实践的数据集： 阅读理解任务具有多种类别：单项/多项选择、完形填空以及抽取式问答。百度发布的DuReader机器阅读理解数据集涵盖了以上三种任务类型，因此选择用来实践也是非常合适的。 DuReader数据集的样本可用一个四维数组表示：${q, t, D, A}$，其中$q$表示问题，$t$表示问题类型，$D$表示文档集合，$A$表示答案集合。一半的样本来源于百度搜索引擎，一半来源于百度知道。下图展示了DuReader数据集的不同类型样本。（这里记录一下数据集，之后要是出了实践代码这里再补上） <img src="https://img2018.cnblogs.com/blog/1816627/201911/1816627-20191107125138599-1302356805.png" width = "80%" height = "80%"> 经典模型概述 这里记录一下比较经典的机器阅读理解模型，或者说记录一下各种花式 Attention，想要了解细节的小伙伴也可以去看看原文，这里也都附上了链接。 Model 1:

　　在分类问题中，要用什么样的函数来表示我们的假设呢？此前说过，希望我们的分类器的输出值在0 和1 之间，因 此，我们希望想出一个满足某个性质的假设函数，这个性质是它的预测值要在0 和1 之间。 回顾在一开始提到的乳腺癌分类问题，我们可以用线性回归的方法求出适合数据的一条 直线： 　　根据线性回归模型我们只能预测连续的值，然而对于分类问题，我们需要输出0 或1， 　　我们可以预测： 当ℎ𝜃(𝑥) >= 0.5时，预测 𝑦 = 1。 当ℎ𝜃(𝑥) < 0.5时，预测 𝑦 = 0 。 对于上图所示的数据，这样的一个线性模型似乎能很好地完成分类任务。 　　假使我们又观 测到一个非常大尺寸的恶性肿瘤，将其作为实例加入到我们的训练集中来，这将使得我们获 得一条新的直线。这时，再使用0.5 作为阀值来预测肿瘤是良性还是恶性便不合适了。可以看出，线性回 归模型，因为其预测的值可以超越[0,1]的范围，并不适合解决这样的问题。 　　我们引入一个新的模型，逻辑回归，该模型的输出变量范围始终在0 和1 之间。 逻辑 回归模型的假设是： ℎ𝜃 (𝑥) = 𝑔(𝜃𝑇𝑋) 其中： 𝑋 代表特征向量 𝑔 代表逻辑函数是一个常用的逻辑函数为S 形函数（Sigmoid function），公式为： 该函数的图像为： 合起来，我们得到逻辑回归模型的假设： 对模型的理解： 　　ℎ𝜃 (𝑥)的作用是，对于给定的输入变量

GMAT逻辑 题每种题型都有相关的标志词，在做题中有意识的辨识这些词可以使得解题过程相对轻松，今天小编就带大家认识一下这些标志词。 一.归纳题 标志词：conclusion; inferred; implied; supported; if above true, then it is also true。(注：support不仅仅用于归纳法。举例来说，归纳法的表达应为：Which of the following are supported by the argument above?如果换个说法就可以变成加强题型的表述：Which of the following support the argument above?所以在解题的时候要格外小心。) 二.演绎题 1.第一种文章：前提推结论型 A.假设题： 标志词：assume; assumption; presuppose (特指对于前提的假设); additional premise; not true unless; depend on; rely on. B.加强题： 标志词：support(注意和归纳题目的区分); strengthen, conclusion can be drawn if it were true that. C.削弱题： 标志词：weaken; cast doubt; argue against;