Les bookmarks de Clem
2352 shaares
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 !
Ressource intéressante.
Tout est dans le titre. Intro à sf et sp.
Super bouquin, à lire absolument.
Mais alors vraiment absolument.
Via Mathieu.
Mais alors vraiment absolument.
Via Mathieu.
Très belle explication de ce qu'est le hasard...
Rapport sur l'avenir de l'ONCFS.
À voir, ça a l'air vachement bien.
Les exemples de Kéry et Royle traduits en Nimble