我正在尝试使用 Scipy Skewnorm 软件包将数据拟合为偏态正态分布。
然而，我没有正确理解用法，因为我找不到关于这件事的适当文档或示例。
在帮助部分，我找到了Documentation，并试图使用skewnorm.fit()沿着skewnorm.pdf()将数据拟合到一个模型中，并使用该模型输出一个分布，并与原始数据进行比较。
如果有人能帮上忙，请告诉我。
from scipy import stats
import matplotlib.pyplot as plt
import numpy as np
# choose some parameters
a, loc, scale = 5.3, -0.1, 2.2
# draw a sample
data = stats.skewnorm(a, loc, scale).rvs(1000)
# estimate parameters from sample
ae, loce, scalee = stats.skewnorm.fit(data)
# Plot the PDF.
plt.figure()
plt.hist(data, bins=100, normed=True, alpha=0.6, color='g')
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
p = stats.skewnorm.pdf(x,ae, loce, scalee)#.rvs(100)
plt.plot(x, p, 'k', linewidth=2)输出量：
2条答案
按热度按时间f0brbegy1#
下面是一个帮助您入门的示例。
wz8daaqr2#
我确信有一个解析的解决方案，但我只是花了一整晚的时间用遗传算法来编码这个问题的解决方案。我不熟悉遗传算法，所以我只是基于直觉-因此，我认为这个代码设法坐在两者的交叉点上是中等智能的工作，和极其愚蠢的lmfao。如果有人觉得它有用的话，我会把它推到GitHub上。图片相关--收敛于良好的分布拟合。给定众数和95%置信区间的上下限。