贝叶斯自举法BayesianBootstrap(4)

plt.legend([r"$alpha = 1$", r"$alpha = 4$"]);

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);

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]