本页对应的英文页面已更新,但尚未翻译。 若要查看最新内容,请点击此处访问英文页面。

重抽样方法

使用自助法、Jackknife 法和交叉验证法对数据集重抽样

当不满足参数化检验假设或者来自非正态分布的样本较小时,可以使用重抽样方法来估计样本数据的描述性统计量和置信区间。自助方法以有放回方式从样本数据中选择随机样本,以估计所关注参数的置信区间。Jackknife 方法使用样本数据的子集系统地重新计算所关注的参数,每次在子集外留一个观测值(留一法重抽样)。根据这些计算,在整个数据样本中对所关注的参数进行估计。如果您拥有 Parallel Computing Toolbox™ 许可证,可以通过并行计算加快重抽样计算的速度。

函数

bootciBootstrap confidence interval
bootstrpBootstrap sampling
combnkEnumeration of combinations
crossvalLoss estimate using cross-validation
datasampleRandomly sample from data, with or without replacement
jackknifeJackknife sampling
randsampleRandom sample

主题

Resampling Statistics

Use bootstrap and jackknife methods to measure the uncertainty in the estimated parameters and statistics.

Quick Start Parallel Computing for Statistics and Machine Learning Toolbox

Get started with parallel statistical computing.

Implement Jackknife Using Parallel Computing

Speed up the jackknife using parallel computing.

Implement Cross-Validation Using Parallel Computing

Speed up cross-validation using parallel computing.

Implement Bootstrap Using Parallel Computing

Speed up the bootstrap using parallel computing.