R语言bbricks包说明文档（版本 0.1.4）

返回R语言所有包列表

BasicBayesian 创建类型为“BasicBayesian”的对象。
cancerData 20个城市的癌症死亡率
CatDirichlet 创建“CatDirichlet”类型的对象。
CatDP 创建“CatDP”类型的对象。
CatHDP 创建“CatHDP”类型的对象。
CatHDP2 创建“CatHDP2”类型的对象。
dAllIndicators 从DP family对象中获取隐藏指示符变量的所有可能值的概率。
dAllIndicators.HDP 得到一个“HDP”对象的隐藏指标变量的所有可能值的概率。
dCategorical 范畴分布的概率质量函数
dDir Dirichelt分布的密度函数
dGaussian 高斯分布的密度函数
dInvGamma 逆伽马分布的密度函数
dInvWishart 逆Wishart分布的密度函数
dNIW 正态逆Wishart（NIW）分布的密度函数。
DP 创建“DP”类型的对象。
dPosterior 从后验分布得到密度。
dPosterior.CatDirichlet “CatDirichlet”物体后验分布的密度函数
dPosterior.GaussianGaussian 高斯高斯目标后验分布的密度函数
dPosterior.GaussianInvWishart “GaussianInvWishart”物体后验分布的密度函数
dPosterior.GaussianNIG 高斯目标后验分布的密度函数
dPosterior.GaussianNIW 高斯目标后验分布的密度函数
dPosterior.LinearGaussianGaussian “线性高斯”物体的后验密度函数
dPosteriorPredictive 得到后验预测分布的密度值
dPosteriorPredictive.CatDirichlet “CatDirichlet”物体的后验预测密度函数
dPosteriorPredictive.CatDP “CatDP”物体的后验预测密度函数
dPosteriorPredictive.CatHDP “CatHDP”物体的后验预测密度函数
dPosteriorPredictive.CatHDP2 “CatHDP”物体的后验预测密度函数
dPosteriorPredictive.DP Dirichlet过程目标的后验预测密度函数
dPosteriorPredictive.GaussianGaussian 高斯高斯目标的后验预测密度函数
dPosteriorPredictive.GaussianInvWishart “GaussianInvWishart”物体的后验预测密度函数
dPosteriorPredictive.GaussianNIG 高斯目标的后验预测密度函数
dPosteriorPredictive.GaussianNIW 高斯目标的后验预测密度函数
dPosteriorPredictive.HDP “HDP”物体的后验预测密度函数
dPosteriorPredictive.HDP2 “HDP2”物体的后验预测密度函数
dPosteriorPredictive.LinearGaussianGaussian 线性高斯目标的后验预测密度函数
dT 多元t分布的密度函数
dWishart Wishart分布的密度函数
farmadsData 农场广告数据
GaussianGaussian 创建“高斯高斯”类型的对象。
GaussianInvWishart 创建“GaussianInvWishart”类型的对象。
GaussianNIG 创建“gaussianning”类型的对象。
GaussianNIW 创建“GaussianNIW”类型的对象。
HDP 创建“HDP”类型的对象。
HDP2 创建“HDP2”类型的对象。
hlrData 分层线性模型的样本
hmmData 隐马尔可夫模型的样本
inferenceJointGaussian 联合高斯分布的推断
LinearGaussianGaussian 创建“LinearGaussianGaussian”类型的对象。
logsumexp 对数和经验
lrData 简单线性模型的样本
MAP 获取“BayesianBrick”对象的最大后验概率（MAP）估计
MAP.CatDirichlet “CatDirichlet”对象的映射估计
MAP.CatDP “CatDP”对象的最大后验（MAP）估计
MAP.GaussianGaussian “高斯”目标的最大后验概率（MAP）估计
MAP.GaussianInvWishart “GaussianInvWishart”对象的最大后验概率（MAP）估计
MAP.GaussianNIG “高斯”目标的最大后验概率（MAP）估计
MAP.GaussianNIW “高斯”目标的最大后验概率（MAP）估计
MAP.LinearGaussianGaussian “线性高斯”目标的最大后验概率（MAP）估计
marginalLikelihood 获取“BayesianBrick”对象的边际可能性
marginalLikelihood.CatDirichlet “CatDirichlet”对象的边际可能性
marginalLikelihood.CatDP “CatDP”对象的边际可能性
marginalLikelihood.DP Dirichlet过程的边际似然（DP）
marginalLikelihood.GaussianGaussian “高斯高斯”物体的边际可能性
marginalLikelihood.GaussianInvWishart “GaussianInvWishart”对象的边际可能性
marginalLikelihood.GaussianNIG “高斯”物体的边际可能性
marginalLikelihood.GaussianNIW “高斯”物体的边际可能性
marginalLikelihood.HDP HDP的边际可能性
marginalLikelihood.HDP2 HDP2的边际可能性
marginalLikelihood.LinearGaussianGaussian “线性高斯”目标的边际似然
marginalLikelihood_bySufficientStatistics 获取“BayesianBrick”对象的边际可能性
marginalLikelihood_bySufficientStatistics.CatDirichlet “CatDirichlet”对象的边际可能性，使用充分的统计
marginalLikelihood_bySufficientStatistics.CatDP “CatDP”对象的边际可能性，使用足够的统计数据
marginalLikelihood_bySufficientStatistics.GaussianGaussian “高斯高斯”物体的边际可能性，使用充分的统计
marginalLikelihood_bySufficientStatistics.GaussianInvWishart 使用足够的统计数据，一个“GaussianInvWishart”对象的边际可能性
marginalLikelihood_bySufficientStatistics.GaussianNIG “高斯”对象的边际可能性，使用充分的统计
marginalLikelihood_bySufficientStatistics.GaussianNIW 用充分的统计量计算“高斯”对象的边际可能性
marginalLikelihood_bySufficientStatistics.LinearGaussianGaussian “线性高斯”对象的边际可能性，使用充分的统计
MetropolisHastings 大都会黑斯廷斯采样器
mmData 混合模型样本
mmhData 分层混合模型的样本
mmhhData 两层递阶混合模型的样本
MPE 得到“BayesianBrick”对象的平均后验估计（MPE）
MPE.CatDirichlet “CatDirichlet”对象的MPE
MPE.CatDP “CatDP”对象的平均后验估计（MPE）
MPE.GaussianGaussian 高斯目标的平均后验估计
MPE.GaussianInvWishart “GaussianInvWishart”对象的平均后验估计（MPE）
MPE.GaussianNIG 高斯目标的平均后验估计
MPE.GaussianNIW 高斯目标的平均后验估计
MPE.LinearGaussianGaussian 线性高斯目标的平均后验估计
pdsDeterminant 正定对称矩阵的行列式
pdsInverse 正定对称矩阵的逆
posterior 用足够的统计数据更新先前的分布
posterior.CatDirichlet 使用足够样本的统计信息更新“CatDirichlet”对象
posterior.CatDP 用足够样本的统计信息更新“CatDP”对象
posterior.CatHDP 用足够样本的统计信息更新“CatHDP”对象
posterior.CatHDP2 使用足够样本的统计信息更新“CatHDP2”对象
posterior.DP 用足够样本的统计信息更新“DP”对象
posterior.GaussianGaussian 使用足够样本的统计信息更新“GaussianGaussian”对象
posterior.GaussianInvWishart 用足够样本的统计信息更新“GaussianInvWishart”对象
posterior.GaussianNIG 使用足够样本的统计信息更新“gaussianning”对象
posterior.GaussianNIW 使用足够样本的统计信息更新“GaussianNIW”对象
posterior.HDP 用足够样本的统计信息更新“HDP”对象
posterior.HDP2 用足够样本的统计信息更新“HDP2”对象
posterior.LinearGaussianGaussian 使用足够样本的统计信息更新“LinearGaussianGaussian”对象
posteriorDiscard 用足够的统计数据更新先前的分布
posteriorDiscard.CatDirichlet 使用足够样本的统计信息更新“CatDirichlet”对象
posteriorDiscard.CatDP 用足够样本的统计信息更新“CatDP”对象
posteriorDiscard.CatHDP 用足够样本的统计信息更新“CatHDP”对象
posteriorDiscard.CatHDP2 使用足够样本的统计信息更新“CatHDP2”对象
posteriorDiscard.DP 用足够样本的统计信息更新“DP”对象
posteriorDiscard.GaussianGaussian 使用足够样本的统计信息更新“GaussianGaussian”对象
posteriorDiscard.GaussianInvWishart 用足够样本的统计信息更新“GaussianInvWishart”对象
posteriorDiscard.GaussianNIG 使用足够样本的统计信息更新“gaussianning”对象
posteriorDiscard.GaussianNIW 使用足够样本的统计信息更新“GaussianNIW”对象
posteriorDiscard.HDP 用足够样本的统计信息更新“HDP”对象
posteriorDiscard.HDP2 用足够样本的统计信息更新“HDP2”对象
posteriorDiscard.LinearGaussianGaussian 使用足够样本的统计信息更新“LinearGaussianGaussian”对象
posteriorDiscard_bySufficientStatistics 用足够的统计数据更新先前的分布
posteriorDiscard_bySufficientStatistics.CatDirichlet 用样本充分统计量更新先验Dirichlet分布
posteriorDiscard_bySufficientStatistics.CatDP 用足够样本的统计信息更新“CatDP”对象
posterior_bySufficientStatistics 用足够的统计数据更新先前的分布
posterior_bySufficientStatistics.CatDirichlet 使用足够样本的统计信息更新“CatDirichlet”对象
posterior_bySufficientStatistics.CatDP 用足够样本的统计信息更新“CatDP”对象
print.BasicBayesian 打印BasicBayesian对象的内容
print.CatHDP 打印CatHDP对象的内容
print.CatHDP2 打印CatHDP2对象的内容
print.DP 打印“DP”对象的内容
print.HDP 打印“HDP”对象的内容
print.HDP2 打印“HDP2”对象的内容
rCategorical 分类分布的随机生成
rDir Dirichelt分布的随机生成
release_questions 其他发布问题
rGaussian 高斯分布的随机生成
rInvGamma 逆Gamma分布的随机数生成
rInvWishart 逆Wishart分布的随机生成
rNIW 正态逆Wishart（NIW）分布的随机数生成。
rPosterior 从后验分布生成随机样本
rPosterior.CatDirichlet 从“CatDirichlet”对象的后验分布生成ramdom样本
rPosterior.GaussianGaussian 从“高斯”对象的后验分布生成ramdom样本
rPosterior.GaussianInvWishart 从“GaussianInvWishart”对象的后验分布生成一个ramdom样本
rPosterior.GaussianNIG 从“高斯”对象的后验分布生成ramdom样本
rPosterior.GaussianNIW 从“高斯”对象的后验分布生成ramdom样本
rPosterior.LinearGaussianGaussian “线性高斯”目标的后验随机生成
rPosteriorPredictive 根据后验预测分布生成随机样本
rPosteriorPredictive.CatDirichlet 从“CatDirichlet”对象的后验预测分布生成随机样本
rPosteriorPredictive.CatDP 从“CatDP”对象的后验预测分布生成随机样本
rPosteriorPredictive.CatHDP 从“CatHDP”对象的后验预测分布生成随机样本
rPosteriorPredictive.CatHDP2 从“CatHDP2”对象的后验预测分布生成随机样本
rPosteriorPredictive.DP 从“DP”对象的后验预测分布生成随机样本
rPosteriorPredictive.GaussianGaussian 从“高斯”对象的后验预测分布生成随机样本
rPosteriorPredictive.GaussianInvWishart 从“GaussianInvWishart”对象的后验预测分布生成随机样本
rPosteriorPredictive.GaussianNIG 从“高斯”对象的后验预测分布生成随机样本
rPosteriorPredictive.GaussianNIW 从“高斯”对象的后验预测分布生成随机样本
rPosteriorPredictive.HDP 从“HDP”对象的后验预测分布生成随机样本
rPosteriorPredictive.HDP2 从“HDP2”对象的后验预测分布生成随机样本
rPosteriorPredictive.LinearGaussianGaussian 从“线性高斯”对象的后验预测分布生成随机样本
rT （多元）t分布的随机生成
rWishart Wishart分布的随机生成
sufficientStatistics 获取足够的样本统计
sufficientStatistics.CatDirichlet “CatDirichlet”对象的充分统计量
sufficientStatistics.CatDP “CatDP”对象的充分统计信息
sufficientStatistics.DP “DP”对象的充分统计信息
sufficientStatistics.GaussianGaussian “高斯高斯”对象的充分统计量
sufficientStatistics.GaussianInvWishart “GaussianInvWishart”对象的充分统计量
sufficientStatistics.GaussianNIG “高斯”对象的充分统计量
sufficientStatistics.GaussianNIW “GaussianNIW”对象的充分统计量
sufficientStatistics.HDP “HDP”对象的充分统计信息
sufficientStatistics.HDP2 “HDP2”对象的充分统计信息
sufficientStatistics.LinearGaussianGaussian “线性高斯”对象的充分统计量
sufficientStatistics_Weighted 得到加权样本的充分统计量
sufficientStatistics_Weighted.CatDirichlet “CatDirichlet”对象的加权充分统计量
sufficientStatistics_Weighted.CatDP “CatDP”对象的加权充分统计量
sufficientStatistics_Weighted.DP “DP”对象的加权充分统计量
sufficientStatistics_Weighted.GaussianGaussian 高斯型目标的加权充分统计量
sufficientStatistics_Weighted.GaussianInvWishart “GaussianInvWishart”对象的加权充分统计量
sufficientStatistics_Weighted.GaussianNIG 高斯对象的加权充分统计量
sufficientStatistics_Weighted.GaussianNIW “GaussianNIW”对象的加权充分统计量
sufficientStatistics_Weighted.HDP “HDP”对象的加权充分统计量
sufficientStatistics_Weighted.HDP2 “HDP2”对象的加权充分统计量
sufficientStatistics_Weighted.LinearGaussianGaussian 线性高斯对象的加权充分统计量
%plus% a+b，NA值