دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Wolfgang Härdle (auth.)
سری: Springer Series in Statistics
ISBN (شابک) : 9781461287681, 9781461244325
ناشر: Springer-Verlag New York
سال نشر: 1991
تعداد صفحات: 266
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب تکنیک های هموار سازی: با پیاده سازی در S: آمار، عمومی
در صورت تبدیل فایل کتاب Smoothing Techniques: With Implementation in S به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تکنیک های هموار سازی: با پیاده سازی در S نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
نویسنده سعی کرده است کتابی ارائه دهد که مقدمهای غیر فنی در حوزه تخمین تابع رگرسیون و چگالی ناپارامتریک ارائه میکند. کاربرد این روش ها از نظر محیط محاسباتی S مورد بحث قرار می گیرد. هموارسازی در ابعاد بالا با مشکل پراکندگی داده ها مواجه است. یکی از ویژگیهای اصلی هموارسازی، میانگینگیری نقاط داده در یک محله تعیینشده، در ابعاد بزرگتر از سه اگر فقط صد نقطه داده داشته باشیم، واقعاً عملی نیست. مدلهای افزودنی راهی برای خروج از این معضل فراهم میکنند. اما، برای تعاملی بودن و بازگشتی بودن، به الگوریتم های بسیار موثر نیاز دارند. برای این منظور، روش WARPing (میانگین وزنی با استفاده از نقاط گرد) با جزئیات کامل شرح داده شده است.
The author has attempted to present a book that provides a non-technical introduction into the area of non-parametric density and regression function estimation. The application of these methods is discussed in terms of the S computing environment. Smoothing in high dimensions faces the problem of data sparseness. A principal feature of smoothing, the averaging of data points in a prescribed neighborhood, is not really practicable in dimensions greater than three if we have just one hundred data points. Additive models provide a way out of this dilemma; but, for their interactiveness and recursiveness, they require highly effective algorithms. For this purpose, the method of WARPing (Weighted Averaging using Rounded Points) is described in great detail.
Front Matter....Pages i-xi
Front Matter....Pages 1-1
The Histogram....Pages 3-42
Kernel Density Estimation....Pages 43-84
Further Density Estimators....Pages 85-89
Bandwidth Selection in Practice....Pages 90-119
Front Matter....Pages 121-121
Nonparametric Regression....Pages 123-150
Bandwidth Selection....Pages 151-172
Simultaneous Error Bars....Pages 173-195
Back Matter....Pages 197-261