贝叶斯自举法BayesianBootstrap(4)
2023-04-29 来源:飞速影视
plt.legend([r"$alpha = 1$", r"$alpha = 4$"]);
![贝叶斯自举法BayesianBootstrap](http://fs.qqfile.top/re/aHR0cHM6Ly9waWNzNS5iYWlkdS5jb20vZmVlZC8yNjdmOWUyZjA3MDgyODM4NjI5ODAyMGY1YjhkNjcwYjRjMDhmMTMwLnBuZ0BmX2F1dG8_dG9rZW49NjQzZWY3NWNlMmE4OWY4NjcxNDVhYzEyZjA1ZDk5NWQ1)
新的分布不那么倾斜了,并且更集中在平均值1附近。
例子
让我们看几个例子,其中我们比较两个推断过程。
1、偏态分布的均值
首先,让我们看一看最简单、最常见的估计量:样本均值。首先我们从帕累托分布中得出100个观察值。
np.random.seed(2)
X = pd.Series(np.random.pareto(2, 100))
sns.histplot(X);
![贝叶斯自举法BayesianBootstrap](/images/loading.gif)
这种分布是非常倾斜的,几个观测值的值比平均值要高得多。
让我们使用经典自举进行重采样,然后进行评估。
def classic_boot(df, estimator, seed=1):
df_boot = df.sample(n=len(df), replace=True, random_state=seed)
estimate = estimator(df_boot)
return estimate
然后,让我们使用一组随机权重的贝叶斯自举过程。
def bayes_boot(df, estimator, seed=1):
np.random.seed(seed)
w = np.random.dirichlet(np.ones(len(df)), 1)[0]
本站仅为学习交流之用,所有视频和图片均来自互联网收集而来,版权归原创者所有,本网站只提供web页面服务,并不提供资源存储,也不参与录制、上传
若本站收录的节目无意侵犯了贵司版权,请发邮件(我们会在3个工作日内删除侵权内容,谢谢。)
www.fs94.org-飞速影视 粤ICP备74369512号