Xem thảo luận Cải thiện bài viết Lưu bài viết Xem thảo luận Cải thiện bài viết Lưu bài viết 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. Hãy cùng cố gắng tạo ra phân phối bình thường lý tưởng và vẽ nó bằng Python. 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.Đọc
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;
Python3
import
numpy as np
import
scipy as sp
from
scipy
import
stats
import
matplotlib.pyplot as plt
import
7
Output:
____10numpy as np
1 numpy as np
2numpy as np
3numpy as np
4numpy as np
5numpy as np
4numpy as np
5numpy as np
8numpy as np
9
import
0numpy as np
1 import
2import
3numpy as np
5import
5numpy as np
9pdf[] 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.
import
8 import
9curve_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 sp
0scipy as sp
1 scipy as sp
2scipy as sp
3 scipy as sp
4scipy as sp
5 scipy as sp
6numpy as np
3scipy as sp
8__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 np
1 numpy as np
2numpy as np
3numpy as np
4numpy as np
5numpy as np
4numpy as np
5numpy as np
8numpy as np
9
numpy as np
71numpy as np
72numpy as np
9
import
0numpy as np
1 import
2import
3numpy as np
5import
5numpy as np
9
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.
import
8 import
9
scipy as sp
0scipy as sp
1 scipy as sp
2scipy as sp
3 scipy as sp
4scipy as sp
5 scipy as sp
6numpy as np
3scipy as sp
8__
numpy as np
71numpy as np
72import
13numpy as np
1import
15numpy as np
9
import
17import
18import
13numpy as np
1import
21numpy as np
9
import
23
Ví dụ 2:
Python3
import
numpy as np
from
import
2import
import
4
import
import
31
import
8 import
33
Các
import
55___
numpy as np
77___
import
73numpy as np
1 numpy as np
77___
import
83numpy as np
1 import
85
import
86numpy as np
1 import
88import
89numpy as np
9
import
91numpy as np
1import
93import
13numpy as np
1import
96numpy as np
9
import
98
import
99numpy as np
1 scipy as sp
01
scipy as sp
02 scipy as sp
03
scipy as sp
04numpy as np
1 scipy as sp
06import
3scipy as sp
08import
5scipy as sp
08from
3scipy as sp
12
scipy as sp
13numpy as np
1scipy as sp
15import
13numpy as np
1scipy as sp
18numpy as np
9
scipy as sp
20
scipy as sp
21scipy as sp
22numpy as np
9
Output:
Bỏ phiếu cho khó khăn
Khó khăn hiện tại: Trung bình