Probiere weitere Kandidatenverteilungen aus
Die richtige Wahl von Eingangs-Wahrscheinlichkeitsverteilungen ist entscheidend für Monte-Carlo-Simulationen. Im Video wurden drei Verteilungen bewertet, um die beste Anpassung für die Variable age zu finden: die Laplace-, Normal- und Exponentialverteilung. Die Normalverteilung passte am besten.
In dieser Übung schaust du, ob du eine Verteilung findest, die die Anpassung gegenüber der Normalverteilung verbessert! Du bewertest die Anpassung von Gleichverteilung (uniform), Normal- und Exponentialverteilung. Der Diabetes-Datensatz wurde als DataFrame dia geladen. Bleibt die Normalverteilung weiterhin die beste?
Folgende Bibliotheken wurden für dich importiert: pandas als pd, scipy.stats als st und numpy als np.
Diese Übung ist Teil des Kurses
Monte-Carlo-Simulationen in Python
Anleitung zur Übung
- Verwende
.fit(), um eine Verteilung an dieage-Daten anzupassen; nutze danach.nnlf(), um den MLE-Wert (Maximum-Likelihood-Schätzwert) der Anpassung zu erhalten.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
distributions = [st.uniform, st.norm, st.expon]
mles = []
for distribution in distributions:
# Fit the distribution and obtain the MLE value
pars = distribution.____
mle = distribution.____
mles.append(mle)
print(mles)