Les bookmarks de Clem
2378 shaares
Très intéressant.
Article intéressant.
Source très intéressante!
Super intro. Et je découvre au passage le magistral package mapview.
Code intéressant: inclusion des inverse distances au carré comme pondération dans un test d'autocorrélation.
À lire, ça semble faire du bruit en ce moment.
Je découvre. J'adopte
A lire
C'est mon problème. Moralité : réduire la curvature et standardiser les prédicteurs.
Récupérer les élements d'un objet stanfit. Notamment les éléments "sous le capot", genre la profondeur de l'arbre ou la taille des pas. treedepth et stepsize.
alire
«All that stuff about running a million iterations and thinning by 10k is irrelevant for Stan/HMC, don’t do that.»
Sur la convergence, je suis assez surpris : ils notent "In practice we have found that requiring Rhat < 1.1 is a good default requirement for each parameter." Or, les chaînes n'ont pas vraiment une bonne tête avec Rhat à 1.1... En outre, ils notent " A good check for such issues is the number of effective samples per iteration -- if N_eff / N < 0.001 then you should be suspect of the effective sample size calculation." J'ai 1500 itérations et j'ai des N_eff de 135 pour mon paramètre le plus merdique. J'aime pas la tête des traces MCMC, mais cette recommandation tendrait à indiquer que je suis peut-être trop puriste sur ce coup-là. Je vais essayer de creuser cette question...
À lire
Tuto intéressant pour STAN.
À lire.
Ils auront réagi vite.
Rigolo.
Super doc !