Hướng dẫn is there a gaussian function in python? - có một hàm gaussian trong python không?

Xem thảo luận

Cải thiện bài viết

Lưu bài viết

Xem thảo luận

Cải thiện bài viết

Lưu bài viết

Đọc

Bàn luận

Phân phối bình thường hoặc Gaussian là gì?

Khi chúng ta vẽ một bộ dữ liệu như biểu đồ, hình dạng của cốt truyện được biểu đồ đó là những gì chúng ta gọi là phân phối của nó. Hình dạng thường thấy nhất của các giá trị liên tục là đường cong chuông, còn được gọi là phân phối Gaussian hoặc bình thường.

Nó được đặt theo tên của nhà toán học người Đức Carl Friedrich Gauss. Một số bộ dữ liệu ví dụ phổ biến theo phân phối Gaussian là nhiệt độ cơ thể, chiều cao con người, dặm xe, điểm IQ. & NBSP;

Hãy cùng cố gắng tạo ra phân phối bình thường lý tưởng và vẽ nó bằng Python.

Python3

Cách âm mưu phân phối Gaussian trong Python

Chúng tôi có các thư viện như Numpy, Scipy và Matplotlib để giúp chúng tôi vẽ một đường cong bình thường lý tưởng.

import numpy as np

import scipy as sp

from scipy import stats

import matplotlib.pyplot as plt 

import7

Output:

____10numpy as np1 numpy as np2numpy as np3numpy as np4numpy as np5numpy as np4numpy as np5numpy as np8numpy as np9

import0numpy as np1 import2import3numpy as np5import5numpy as np9pdf() function is the probability density function.

Các điểm trên trục x là các quan sát và trục y là khả năng của mỗi quan sát.

Chúng tôi đã tạo ra các quan sát cách nhau thường xuyên trong phạm vi (-5, 5) bằng cách sử dụng np.arange (). Sau đó, chúng tôi đã chạy nó thông qua hàm định mức.pdf () với giá trị trung bình là 0,0 và độ lệch chuẩn là 1, trả về khả năng quan sát đó. Quan sát khoảng 0 là phổ biến nhất, và những quan sát xung quanh -5.0 và 5.0 là rất hiếm. Thuật ngữ kỹ thuật cho hàm pdf () là hàm mật độ xác suất.

Python3

Hàm Gaussian:

Đầu tiên, hãy để phù hợp với dữ liệu với chức năng Gaussian. Mục tiêu của chúng tôi là tìm các giá trị của A và B phù hợp nhất với dữ liệu của chúng tôi. Đầu tiên, chúng ta cần viết hàm Python cho phương trình hàm Gaussian. Hàm sẽ chấp nhận biến độc lập (giá trị X) và tất cả các tham số sẽ tạo ra nó.

import8 import9curve_fit from the python module scipy.optimize to fit our data. It uses non-linear least squares to fit data to a functional form. You can learn more about curve_fit by using the help function within the Jupyter notebook or scipy online documentation.

scipy as sp0scipy as sp1 scipy as sp2scipy as sp3 scipy as sp4scipy as sp5 scipy as sp6numpy as np3scipy as sp8__curve_fit function has three required inputs: the function you want to fit, the x-data, and the y-data you fit. There are two outputs. The first is an array of the optimal values of the parameters. The second is a matrix of the estimated covariance of the parameters from which you can calculate the standard error for the parameters.

Chúng tôi sẽ sử dụng chức năng Curve_fit từ mô -đun Python Scipy. Tối ưu hóa để phù hợp với dữ liệu của chúng tôi. Nó sử dụng bình phương tối thiểu phi tuyến tính để phù hợp với dữ liệu với một hình thức chức năng. Bạn có thể tìm hiểu thêm về Curve_Fit bằng cách sử dụng chức năng trợ giúp trong tài liệu trực tuyến Jupyter hoặc Scipy.

Python3

Hàm Curve_Fit có ba đầu vào bắt buộc: chức năng bạn muốn phù hợp, dữ liệu X và dữ liệu y bạn phù hợp. Có hai đầu ra. Đầu tiên là một mảng của các giá trị tối ưu của các tham số. Thứ hai là một ma trận của hiệp phương sai ước tính của các tham số mà bạn có thể tính toán lỗi tiêu chuẩn cho các tham số.

Cách âm mưu phân phối Gaussian trong Python

Chúng tôi có các thư viện như Numpy, Scipy và Matplotlib để giúp chúng tôi vẽ một đường cong bình thường lý tưởng.

import numpy as np

import scipy as sp

from scipy import stats

import matplotlib.pyplot as plt 

____10numpy as np1 numpy as np2numpy as np3numpy as np4numpy as np5numpy as np4numpy as np5numpy as np8numpy as np9

numpy as np71numpy as np72numpy as np9

import0numpy as np1 import2import3numpy as np5import5numpy as np9

Các điểm trên trục x là các quan sát và trục y là khả năng của mỗi quan sát.

Chúng tôi đã tạo ra các quan sát cách nhau thường xuyên trong phạm vi (-5, 5) bằng cách sử dụng np.arange (). Sau đó, chúng tôi đã chạy nó thông qua hàm định mức.pdf () với giá trị trung bình là 0,0 và độ lệch chuẩn là 1, trả về khả năng quan sát đó. Quan sát khoảng 0 là phổ biến nhất, và những quan sát xung quanh -5.0 và 5.0 là rất hiếm. Thuật ngữ kỹ thuật cho hàm pdf () là hàm mật độ xác suất.

Hàm Gaussian:

Đầu tiên, hãy để phù hợp với dữ liệu với chức năng Gaussian. Mục tiêu của chúng tôi là tìm các giá trị của A và B phù hợp nhất với dữ liệu của chúng tôi. Đầu tiên, chúng ta cần viết hàm Python cho phương trình hàm Gaussian. Hàm sẽ chấp nhận biến độc lập (giá trị X) và tất cả các tham số sẽ tạo ra nó.

import8 import9

scipy as sp0scipy as sp1 scipy as sp2scipy as sp3 scipy as sp4scipy as sp5 scipy as sp6numpy as np3scipy as sp8__

numpy as np71numpy as np72import13numpy as np1import15numpy as np9

import17import18import13numpy as np1import21numpy as np9

import23

Ví dụ 2:

Python3

import numpy as np

from import2import import4

import import31

import8 import33

Các

import55___

numpy as np77___

import73numpy as np1 numpy as np77___

import83numpy as np1 import85

import86numpy as np1 import88import89numpy as np9

import91numpy as np1import93import13numpy as np1import96numpy as np9

import98

import99numpy as np1 scipy as sp01

scipy as sp02 scipy as sp03

scipy as sp04numpy as np1 scipy as sp06import3scipy as sp08import5scipy as sp08from3scipy as sp12

scipy as sp13numpy as np1scipy as sp15import13numpy as np1scipy as sp18numpy as np9

scipy as sp20

scipy as sp21scipy as sp22numpy as np9

Output: