我有一个随机变量,如下所示平滑: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')
,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)
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。
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