Szukałem w Internecie i jeszcze się znaleźć odpowiedź lub sposób, aby dowiedzieć następująceMATLAB ksdensity odpowiednik w Pythonie
mam tłumaczenia kodu MATLAB do Pythona, gdzie w MATLAB im chce znaleźć oszacowanie gęstości jądra z funkcją:
[p,x] = ksdensity(data)
gdzie p jest prawdopodobieństwem w punkcie x rozkładu.
Scipy ma funkcję, ale zwraca tylko p.
Czy istnieje sposób na znalezienie prawdopodobieństwa dla wartości x?
Dzięki!
That formę ksdensity połączenie automatycznie generuje arbitralną x. scipy.stats.gaussian_kde() zwraca funkcję wywoływalną, którą można ocenić dowolnym wybranym x. Odpowiednikiem x będzie np.linspace(data.min(), data.max(), 100).
import numpy as np
from scipy import stats
data = ...
kde = stats.gaussian_kde(data)
x = np.linspace(data.min(), data.max(), 100)
p = kde(x)
Inną opcją jest estymator gęstości jądra w scikit-learn pakietu Python, sklearn.neighbors.KernelDensity
Oto mały przykład podobny do dokumentacji Matlab dla ksdensity o rozkładzie Gaussa:
import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KernelDensity
np.random.seed(12345)
# similar to MATLAB ksdensity example x = [randn(30,1); 5+randn(30,1)];
Vecvalues=np.concatenate((np.random.normal(0,1,30), np.random.normal(5,1,30)))[:,None]
Vecpoints=np.linspace(-8,12,100)[:,None]
kde = KernelDensity(kernel='gaussian', bandwidth=0.5).fit(Vecvalues)
logkde = kde.score_samples(Vecpoints)
plt.plot(Vecpoints,np.exp(logkde))
plt.show()
działki to daje wygląda następująco:
Tylko na podręczne, próbowałem zarówno 'scipy.stats.gaussian_kde()' i 'sklearn.neighbors.KernelDensity', pierwszy mam' dead' jądra, a drugi działa. – cqcn1991