局部加权为二进制值的随机可变

F（X）= 1的概率为G（X）

F（X）= 0的概率为1-G （x）的

其中0<克（x）的< 1.

假设G（X）= X。比方说，我观察这个变量不知道函数g并获得了100个样本如下：现在

import numpy as np 
import matplotlib.pyplot as plt 
from scipy.stats import binned_statistic 

list = np.ndarray(shape=(200,2)) 

g = np.random.rand(200) 
for i in range(len(g)): 
    list[i] = (g[i], np.random.choice([0, 1], p=[1-g[i], g[i]])) 

print(list) 
plt.plot(list[:,0], list[:,1], 'o')

Plot of 0s and 1s

，我想找回从这些点的函数g。我能想到的最好的就是用画一个柱状图，并使用平均统计：

bin_means, bin_edges, bin_number = binned_statistic(list[:,0], list[:,1], statistic='mean', bins=10) 
plt.hlines(bin_means, bin_edges[:-1], bin_edges[1:], lw=2)

Histogram mean statistics

相反，我想有发电功能的连续估计。

我想这是关于内核密度估计，但我找不到合适的指针。

来源

2017-07-14 user1860037

你可以在'Statsmodels''sklearn'中找到kdes，'scipy'也有一个。如果你只想看一看'seaborn'并且它是'distplot'或'kdeplot'。但为什么你想要一个KDE二进制数据？ –

@MarvinTaschenberger有可能我对kde的评论可能会引起误解。似乎我有一个逻辑回归问题。 https://en.wikipedia.org/wiki/Logistic_regression#Example:_Probability_of_passing_an_exam_versus_hours_of_study。但我并不是想要适合一个模型。我想以平滑的方式绘制它。 – user1860037

这也看起来相关：http://thestatsgeek.com/2014/09/13/checking-functional-form-in-logistic-regression-using-loess/ – user1860037

简单而不明确装修的估计：

import seaborn as sns 
g = sns.lmplot(x= , y= , y_jitter=.02 , logistic=True)

插上x=您的外生变量和类似y =因变量。 y_jitter如果您有很多数据点，则可以提高可视性。 logistic = True是这里的要点。它会给你数据的逻辑回归线。

Seaborn基本上是围绕matplotlib定制的，并且在pandas的情况下效果很好，以防您想要将数据扩展到DataFrame。

来源

2017-07-14 16:11:02

现在，我明白我在找的是本地加权散点图平滑。谢谢指点sns。 df = pd.DataFrame（） df ['x'] = list [：，0] df ['y'] = list [：，1] sns.lmplot（x ='x'，y =' y'，data = df，lowess = True） plt.show（） – user1860037

局部加权为二进制值的随机可变

回答

相关问题