背景

给出读《艾伯特贝叶斯思维：统计建模的Python学习法.pdf》的时候，写的代码，以面向过程的方式给出。
本章彩弹问题，求似然度的时候，假设已知隐藏点时，射手等概率从各个角度射击。

代码

导入常见模块

# %load "E:\桌面space\临时数据\python\个人自定义模块\ImportFile.py"
# Standard Scientific Import
import numpy as np
import scipy as sp
import pandas as pd
import matplotlib as mpl
from matplotlib import pyplot as plt
from matplotlib.pyplot import plot as plot
import sklearn
import seaborn as sns
import sys
import patsy# 个人代码测试路径
sys.path.append(r"C:\Users\Administrator\PycharmProjects\QY_TS_Quant")
from QY_plot import *plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文字体设置-黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
sns.set(font='SimHei',font_scale=1.25,style="ticks",rc={"xtick.major.size": 3, "ytick.major.size": 3})# 解决Seaborn中文显示问题

# Jupyter 默认设置
%matplotlib inline
%config InlineBackend.figure_format="retina"
%config InlineBackend.rc = {"figure.figsize": (7.5,4.5)}

# 多列输出
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

中间函数

from functools import reduce
import operator

# 假设在alpha,beta的射手，随机等概率可以往各个方向设计
def StrafingSpeed(alpha, beta, x):return (np.square(beta)+np.square(alpha-x))/beta

def normlize(x):return x/np.sum(x)

def MakePmf(alpha, beta, w=30):pmf = list(map(lambda v:1./ StrafingSpeed(alpha, beta, v), np.arange(w+1)))return normlize(pmf)

def likehood(AX, AY, x, w=30):AZS = reduce(operator.add, map(lambda v:1./StrafingSpeed(AX, AY, v),np.arange(w+1)))AZ =  1./StrafingSpeed(AX, AY, x)return  AZ/AZS

# 围场宽30， 长50
w = 30
h = 50

# 宽边 中弹位置
x = [15, 16, 18, 21]

假定射击点时，墙上各点被击打概率

alpha = 10
beta = 10
plt.plot(MakePmf(alpha, beta))

二维射击点分布

def update(AP,x):if not np.isscalar(x):for xi in x:AP = update(AP, xi)else:AZ = likehood(AX, AY, x)AP = AP*AZAP /= AP.sum()return AP

X = np.arange(w+1)
Y = np.arange(1, h+1)
AX, AY = np.meshgrid(X, Y)

AP = np.ones_like(AX)
AP = update(AP, x)

plt.contour(AX,AY,AP,80)
plt.colorbar()

边缘分布

fig, axes = plt.subplots(1, 2, figsize=(18, 6))
axes[0].plot(AX[0], AP.sum(axis=0), label="alpha")
axes[1].plot(AY[:,0], AP.sum(axis=1), label="beta")
axes[0].legend();
axes[1].legend();
plt.suptitle("概率密度");

fig, axes = plt.subplots(1, 2, figsize=(18, 6))
axes[0].plot(AX[0], AP.sum(axis=0).cumsum(), label="alpha")
axes[1].plot(AY[:,0],AP.sum(axis=1).cumsum(), label="beta")
axes[0].legend();
axes[1].legend();
plt.suptitle("分布函数");

def confintv(cdf, p):t = []flag = 0for i,v in enumerate(cdf):if flag==0:if v>=0.5-p/2:t.append(i)flag=1elif flag==1:if v>=0.5+p/2:t.append(i)breakreturn t

# alpha的 50%置信区间
AX[0][confintv(AP.sum(axis=0).cumsum(), 0.5)]

array([14, 21])

# beta的50%置信区间
AY[:,1][confintv(AP.sum(axis=1).cumsum(), 0.5)]

array([ 5, 31])

置信区间

Acolor = np.zeros_like(AP)
s = np.argsort(AP.ravel())
for v in np.searchsorted(AP.flat[s].cumsum(),[0.25, 0.5, 0.75]):Acolor.flat[s[:v]] += 0.25

plt.imshow(Acolor, origin=True, aspect=0.5)

clf = plt.contour(AX, AY, Acolor,3);
plt.clabel(clf, fontsize=10);
plt.contourf(AX, AY, Acolor, 3);

面向过程给出《贝叶斯思维：统计建模的Python学习法》——二维彩球问题学习代码相关推荐

贝叶斯思维统计建模的Python学习法pdf
下载地址:网盘下载编辑推荐贝叶斯方法正在变得越来越常见与重要,但是却没有太多可以借鉴的资料来帮助初学者.基于Allen Downey在大学讲授的本科课程,本书的计算方法能帮助你获得一个良好的开端. ...
贝叶斯思维统计建模的python_贝叶斯思维统计建模的Python学习法
第1章贝叶斯定理 1.1 条件概率 1.2 联合概率 1.3 曲奇饼问题 1.4 贝叶斯定理 1.5 历时诠释 1.6 M&M豆问题 1.7 Monty Hall难题 1.8 讨论第2章 ...
机器视觉学习之--贝叶斯学习 MATLAB二维正态分布二维图
1.贝叶斯介绍我个人一直很喜欢算法一类的东西,在我看来算法是人类智慧的精华,其中蕴含着无与伦比的美感.而每次将学过的算法应用到实际中,并解决了实际问题后,那种快感更是我在其它地方体会不到的. 一直想 ...
《贝叶斯思维：统计建模的Python学习法》——2.5　封装框架
本节书摘来异步社区<贝叶斯思维:统计建模的Python学习法>一书中的第2章,第2.5节,作者:[美]Allen B. Downey,更多章节内容可以访问云栖社区"异步社区&qu ...
贝叶斯思维：统计建模的Python学习法pdf
下载地址:网盘下载内容简介 · · · · · · 这本书帮助那些希望用数学工具解决实际问题的人们,仅有的要求可能就是懂一点概率知识和程序设计.而贝叶斯方法是一种常见的利用概率学知识去解决不确定性 ...
《贝叶斯思维：统计建模的Python学习法》——1.3　曲奇饼问题
本节书摘来异步社区<贝叶斯思维:统计建模的Python学习法>一书中的第1章,第1.3节,作者:[美]Allen B. Downey,更多章节内容可以访问云栖社区"异步社区&qu ...
《贝叶斯思维：统计建模的Python学习法》一1.3　曲奇饼问题
本节书摘来自异步社区<贝叶斯思维:统计建模的Python学习法>一书中的第1章,第1.3节,作者[美]Allen B. Downey,更多章节内容可以访问云栖社区"异步社区&qu ...
《贝叶斯思维：统计建模的Python学习法》——1.8　讨论
本节书摘来异步社区<贝叶斯思维:统计建模的Python学习法>一书中的第1章,第1.8节,作者:[美]Allen B. Downey,更多章节内容可以访问云栖社区"异步社区&qu ...
《贝叶斯思维：统计建模的Python学习法》——2.3　贝叶斯框架
本节书摘来异步社区<贝叶斯思维:统计建模的Python学习法>一书中的第2章,第2.3节,作者:[美]Allen B. Downey,更多章节内容可以访问云栖社区"异步社区&qu ...

面向过程给出《贝叶斯思维：统计建模的Python学习法》——二维彩球问题学习代码

背景

代码

导入常见模块

中间函数

假定射击点时，墙上各点被击打概率

二维射击点分布

边缘分布

置信区间

面向过程给出《贝叶斯思维：统计建模的Python学习法》——二维彩球问题学习代码相关推荐

最新文章

热门文章