我试图将我的数据拟合成一个β-二项分布,并估计α和β形状参数。对于这个发行版,先验是从beta发行版中提取的。Python没有一个适合于beta -二项式的函数,但是它对beta却有。pythonβ拟合和Rβ二项拟合是接近的,但系统地关闭。
R:
library("VGAM")
x = c(222,909,918,814,970,346,746,419,610,737,201,865,573,188,450,229,629,708,250,508)
y = c(2,18,45,11,41,38,22,7,40,24,34,21,49,35,31,44,20,28,39,17)
我在做高斯过程模拟。我有x和y,我想把训练中的85%和测试中的15%分开,然后用模型拟合它们来预测。我该怎么写代码?我知道在Python中我使用的函数是train_test_split()。
x=rand(100)
dis = [abs(i-j) for i in x, j in x]
exp(-dis)
σ2= 1
g = 1
l = Matrix(I,100,100)
μ = zeros(100)
Σ = (σ2*exp(-dis/g))+0.1l
y = MvNormal(μ,Σ)
Y = rand(y,1
我有一个表格的回归问题:
y = X b
其中,y是响应向量,X是输入变量的矩阵,b是我正在搜索的拟合参数的向量。
Python为解决这种形式的问题提供了b = numpy.linalg.lstsq( X , y )。
然而,当我使用它时,我倾向于获得b组件的非常大或极小的值。
我想要执行同样的fit,但是将b的值限制在0到255之间。
看起来scipy.optimize.fmin_slsqp()是一种选择,但我发现对于我感兴趣的问题的大小,它非常慢(X类似于3375 by 1500,希望更大)。
是否还有其他Python选项来执行约束最小二乘匹配?
或者有用于执行或Ridge回归的p