Prova andra kandidatfördelningar
Att välja rätt sannolikhetsfördelning för indata är avgörande för Monte Carlo-simuleringar. I videon utvärderades tre fördelningar för att avgöra vilken som passade bäst för variabeln age: Laplace-, normal- och exponentialfördelningen. Normalfördelningen visade sig passa bäst.
I den här övningen undersöker du om det går att hitta en fördelning som passar ännu bättre! Du utvärderar anpassningen av likformig, normal- och exponentialfördelning. Diabetesdatamängden har lästs in som en DataFrame, dia. Kommer normalfördelningen fortfarande att vara det bästa valet?
Följande bibliotek har redan importerats: pandas som pd, scipy.stats som st och numpy som np.
Den här övningen är en del av kursen
Monte Carlo-simuleringar i Python
Övningsinstruktioner
- Använd
.fit()för att anpassa en fördelning till datan iage; använd sedan.nnlf()för att beräkna Maximum Likelihood Estimation-värdet (MLE) för anpassningen.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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)