快捷導(dǎo)航

python?Copula?實(shí)現(xiàn)繪制散點(diǎn)模型

更新時間：2022年07月08日 14:32:53 作者：北冰洋的喵

這篇文章主要介紹了python?Copula實(shí)現(xiàn)繪制散點(diǎn)模型，文章圍繞主題展開詳細(xì)的內(nèi)容介紹，具有一定的參考價值，需要的朋友可以參考一下

一、使用copula生成合成數(shù)據(jù)集（synthetic dataset）

建立一個三維數(shù)據(jù)表，查看三維數(shù)據(jù)的散點(diǎn)圖：

from copulas.datasets import sample_trivariate_xyz
data = sample_trivariate_xyz()
from copulas.visualization import scatter_3d
scatter_3d(data)

使用GaussianMultivariate（自動）估計(jì)x、y、z的邊緣分布和聯(lián)合分布，從而能夠?qū)?shù)據(jù)集建模。

from copulas.multivariate import GaussianMultivariate
copula = GaussianMultivariate()
copula.fit(data)

使用sample按擬合好的邊際分布生成1000個新的樣本點(diǎn)（每個編輯分布都生成1000個樣本點(diǎn)，3個邊際分布生成3000個樣本點(diǎn)）

num_samples = 1000
synthetic_data = copula.sample(num_samples)
synthetic_data.head()

4. 觀察三維散點(diǎn)圖，比較擬合數(shù)據(jù)與真實(shí)數(shù)據(jù)的差異

from copulas.visualization import compare_3d
compare_3d(data, synthetic_data)

對于需要較長時間進(jìn)行擬合copula模型的數(shù)據(jù)，可以擬合一個比較合適的模型后，用save保存這個模型，在每次想采樣新數(shù)據(jù)時用load加載存儲在磁盤上已經(jīng)擬合好的模型。

model_path = 'mymodel.pkl'
copula.save(model_path)
new_copula = GaussianMultivariate.load(model_path)
new_samples = new_copula.sample(num_samples)

在某些情況下，從擬合的連接中獲取參數(shù)比從磁盤中保存和加載參數(shù)更有用?？梢允褂?code>to_dict方法提取copula模型的參數(shù)：

copula_params = copula.to_dict()

一旦有了所有的參數(shù)，就可以使用from_dict創(chuàng)建一個新的相同的Copula模型：

new_copula = GaussianMultivariate.from_dict(copula_params)
# 用新模型生成新的參數(shù)：
new_samples = new_copula.sample(num_samples)

到此這篇關(guān)于python Copula 實(shí)現(xiàn)繪制散點(diǎn)模型的文章就介紹到這了,更多相關(guān)python Copula 內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: