样本量选取

最新推荐文章于 2025-08-05 09:46:16 发布
原创 最新推荐文章于 2025-08-05 09:46:16 发布 · 155 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#大数据 #硬件工程

     置信水平%

允许误差

50%

75%

80%

85%

90%

95%

99%

99.90%

1%

1140

3370

4096

5184

6766

9604

16590

19741

2%

285

827

1024

1296

1692

2401

4148

4936

3%

127

358

456

576

752

1068

1844

2194

4%

72

207

256

324

423

601

1037

1234

5%

46

133

164

208

271

385

664

790

7.50%

21

59

73

93

121

171

296

351

10%

12

34

41

52

68

97

166

198

15%

6

15

19

24

31

43

74

88

20%

3

9

11

13

17

25

42

50

50%

2

2

2

3

3

4

7

AB实验样本量确定
机器学习，大数据
01-11 1万+
文章目录1. 统计功效与关键概念2. Z检验样本量确定2.1 统计功效公式推导2.2 样本量计算公式2.3 求解样本量3. 卡方检验样本量确定3.1 求解样本量4. 简要总结Reference 在数据分析过程中，一个完整的闭环是从数据中得到洞察，根据洞察得到某种假设，通过实验检验这一假设。 AB实验实际上是在做一个假设检验，可以参考上一篇笔记【概率论】- (2)假设检验，在查资料的过程中，主要有两...
样本量计算软件_如何计算样本量和统计检验力——G*Power软件
weixin_39547392的博客
12-18 1万+
导读 不同的实验设计，不同的变量的水平，所选择的样本量即被试人数不同。如何科学有效选取合适的样本量，请看下面G*Power软件的操作使用。下载链接：链接：https://pan.baidu.com/s/1WA7w-tER9YTqurupUm5C-w提取码：snzy统计业务《业务内容》【1】数据分析：添加下方QQ/微信咨询，并提供数据和要求；双方确定费用和任务时间，任务完成再支付费用，事后...
数据样本的选择方法
Wenfei Wang的专栏
04-26 1万+
训练样本的选择方式           在目前我的实验中训练样本主要有两种选择方式：（当让还有很多选择方式，比如我在人脸图像亲缘识别的实验中是将所有的数据当作训练样本，在将所有的数据作为测试样本来测试方法的识别率、还有比如交叉验证等很多方法，在这里记录的是目前的实验所用到的训练样本的选择方法） 1、在同类样本中随机的选取1/2或者2/3的样本作为训练样本剩下的作为测试样本，matlab代码;
假设检验_样本容量选取20211204
4AM_明朝百晓生
12-24 2573
前言： 目录： 置信区间和假设检验关系 样本容量选取 一 置信区间和假设检验关系 求解： 参数的置信水平为的置信水平 方法： 1.1 我们先求出显著水平为的假设检验 的接受域 1.2 [a,b] 就是参数的置信水平为 的置信区间 三 例子 3.1 设, u 未知，...
ABTest样本量计算
sizhi_xht的博客
11-23 6471
显然，如果实验选取的样本很小，实验结果可信度就不高，因为很可能抽取的样本不能代表真实的水平。这样的对比在统计学上叫做两样本假设检验，即实验组和对照组为两样本，假设检验的原假设Ho：实验组和对照组无显著差异；从这个公式可以知道，在其他条件不变的情况下，如果实验两组数值差异越大或者数值的波动性越小，所需要的样本量就越小。以下将以以p1=0.3，p2=0.305，α=0.05，β=0.2为例，演示在这几个工具里计算样本量的方法。实际A/B测试中，我们关注的较多的一类是比例类的数值，如点击率、转化率、留存率等。
最小样本量n的选择
BulletTech2021的博客
12-21 2774
1 前言 读曼昆的经济学原理的时候，印象最深刻的一句话是：People face trade-offs, the cost of something is what you give up to get it. 简单来说就是事物都有成本，每个选择都面临取舍。这句话在生产环境中尤为合适。当研发新药的时候，当金融机构对策略进行分析的时候，当判断系统某个新功能是否有效的时候，在一切需要假设检验的地方，就会面临检验样本量的选择。样本量太小，则检验的可信度不高，没有说服力；样本量太大，则成本过高，不可取。在这种情况
运营策略实验最小样本量的确定
weixin_42401301的博客
08-03 1608
1、问题 传统运营业务是人力驱动的。人力的有限性，必然导致运营覆盖的用户往往是有限的，比如头部用户或者高潜用户。因此，运营业务线的数据分析师往往遇到小样本量的策略实验。 样本过小通常有如下问题：1）效力不足，无法得出“新策略”更好的结论；2）实验白做。 2、如何确定最小样本量 2.1 基础知识 a. 两类错误和功效 我们将“新旧策略效果一致”作为H0假设。 统计推断 H0实际正确 H0实际错误 接受H0假设 正确 取伪错误（β\betaβ） 拒绝H0假设 拒真错误（α\alphaα） 正
信贷风控模型开发中的样本选取问题
weixin_55260339的博客
10-27 247
2、样本量：模型的训练是需要足够的样本量支撑的，不同数量级的样本量训练出的模型会存在明显的差距。当然，随着样本数量级的增加，模型效果也会达到瓶颈。这些做法都有各自的道理，但在实际操作中，会发现效果并不理想，因为这些操作都脱离了样本选取的关键点。样本的选取对模型效果有很大影响，样本选取的关键点主要需要考虑两点：样本分布和样本量。再回头看上面3种样本选取做法，或多或少都未考虑样本选取的关键点，也就使得模型的训练并不理想。在开发信贷风控模型前，会设计模型的开发方案，模型开发方案中很重要的一项是如何选取建模样本。
FaceNet中Triplet的正负样本的选取
kwist_jay的博客
08-03 790
Triplet三元组的样本选取过程
样本量估算：随机对照试验（两组均数）比较的样本量计算方法
热门推荐
leroylee7的博客
12-22 2万+
一、研究实例 随机对照试验研究:探讨中西医结合治疗治疗女性膀胱过度活动症。 采用完全随机的方法将研究对象分为两组（中西医结合组和西医组），结局指标为排尿症状的评分 预计西医对照组排尿症状评分的平均值为7.08±1.36分，中西医结合治疗组使用药物后预计降低1.2分，二者方差相似。双侧检验，α为0.05，两组样本量比值1:1（即两组病例数相等），把握度（检验效能）1-β=90%，求需要多少样本量？ 二、样本量估算方法 案例解析: ...
《数理统计》第8章5样本容量的选取.ppt
09-17
《数理统计》第8章5样本容量的选取.ppt
【无标题】
别这么骄傲
08-01 410
Flink跨Catalog读写实践总结：生产环境中需严格区分数据源注册位置，Kafka等Source表应注册在default_catalog避免污染Hive Metastore，Hive Sink表则需在HiveCatalog注册。通过全限定名(catalog.database.table)实现跨Catalog操作，既能保证数据治理规范，又能确保血缘清晰。最佳实践要求非Hive连接器表严禁在HiveCatalog创建，团队协作时应将此规范纳入开发流程，从而维护生产环境的安全性和结构清晰性。
Kafka 是什么？
专注于技术分享
08-03 464
Kafka 是一个开源的分布式事件流处理平台。Kafka 的设计目标是为处理实时数据流提供一个统一的、高吞吐量、低延迟的平台。从本质上讲，可以将 Kafka 理解为一个高度可靠且可扩展的“日志”或“记录簿”，用于记录在不同系统和应用程序之间发生的“事件”。凭借其高性能和可扩展性，Kafka 被广泛应用于各种场景，超过 80% 的财富 500 强公司都在使用它。总而言之，Kafka 不仅仅是一个消息队列，它更是一个功能强大的分布式事件流平台，为构建数据驱动的实时应用程序提供了坚实的基础。
在 Elasticsearch 中落地 Learning to Rank（LTR）
hello.reader
08-02 777
本文介绍了在Elasticsearch中实现Learning-to-Rank(LTR)重排序的方案。LTR通过机器学习模型融合多维度特征（文档属性、查询属性、相关性等），对Top-K结果进行二阶段重排，能显著提升电商搜索、内容推荐等场景的相关性。文章详细阐述了从标注集构建、特征工程到XGBoost/LGBM模型训练的完整流程，并展示了如何在Elasticsearch 9.x中部署reranker服务，通过retriever+LTR二阶段查询实现实时重排。最后针对常见问题提供了解决方案，帮助开发者快速构建更精
基于Java的AI工具和框架
keny-大成的博客
08-04 794
本文介绍了多个基于Java的AI工具和框架的实用案例，涵盖机器学习、自然语言处理、计算机视觉、推荐系统等领域。主要内容包括： 机器学习与深度学习：使用Deeplearning4j进行图像分类、Weka实现决策树算法、Apache Spark MLlib分布式逻辑回归等案例，并提供代码示例。 自然语言处理：OpenNLP句子分割、Stanford CoreNLP命名实体识别、LingPipe情感分析等工具的应用实例。 计算机视觉：OpenCV人脸检测、BoofCV特征点匹配、ImageJ医学图像分析等场景的实
升级 Elasticsearch 到新的 AWS Java SDK
最新发布
Elastic 中国社区官方博客
08-05 526
Elasticsearch即将从AWS Java SDK v1迁移至v2，原因是AWS将于2025年12月31日停止对旧版SDK的支持。迁移工作涉及重构测试代码以适应新版SDK的行为差异，主要影响区域自动检测、IMDS协议支持和端点URL格式等方面。虽然Elasticsearch 8.19.x及9.1.0+版本已内置兼容逻辑，但用户仍需注意配置调整，如明确指定S3区域、使用IMDSv2协议等。建议用户在升级前充分测试，确保平滑过渡。此次迁移旨在避免依赖已停止维护的组件可能带来的安全风险。
Flink Checkpoint机制：大数据流处理的坚固护盾
weixin_41870061的博客
08-01 620
Flink的Checkpoint机制是其实现容错的核心技术，通过定期保存作业状态快照确保数据一致性和故障恢复。文章详细解析了Checkpoint的工作原理，包括Barrier注入、状态快照、对齐机制等流程，阐述了精确一次和至少一次两种语义的实现差异。同时介绍了Checkpoint的配置参数、优化策略及在电商、金融等实际场景中的应用，为开发者提供了从理论到实践的完整指南。该机制有效解决了大数据流处理中的容错问题，是保障Flink作业稳定运行的关键技术。
RabbitMQ面试精讲 Day 9：优先级队列与惰性队列
在未来等你的专栏
08-03 755
今日核心知识点优先级队列的配置与实现原理惰性队列的适用场景与性能特点Spring Boot整合配置要点生产环境的调优策略面试官喜欢的回答要点清楚两种队列的参数配置理解底层数据结构差异能分析不同场景的性能表现掌握实际项目调优经验明日预告：Day 10将深入讲解消息追踪与幂等性保证机制，确保消息可靠处理。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值