python中是否有一种基于alreday现有数据分布生成随机数据的方法
以下是我的数据集的统计参数:
Data
count 209.000000
mean 1.280144
std 0.374602
min 0.880000
25% 1.060000
50% 1.150000
75% 1.400000
max 4.140000
因为它不是正态分布,所以不可能用np.random.normal进行。有什么想法吗
多谢各位
编辑:执行KDE:
from sklearn.neighbors import KernelDensity
# Gaussian KDE
kde = KernelDensity(kernel='gaussian', bandwidth=0.525566).fit(data['y'].to_numpy().reshape(-1, 1))
sns.distplot(kde.sample(2400))
一般来说,真实世界的数据并不像正态分布或威布尔分布那样完全遵循“良好”分布
与机器学习类似,从数据点分布进行采样通常有两个步骤:
将数据模型与数据相匹配
然后,借助随机性,基于该模型预测一个新的数据点
有几种方法可以从该估计中估计数据和样本的分布:
回归模型。此外,诸如最大似然估计之类的方法使得能够将已知分布(例如正态分布)拟合到数据,但是估计的分布通常比核密度估计或其他机器学习模型更粗糙
另见我的章节“Random Numbers from a Distribution of Data Points”
相关问题 更多 >
编程相关推荐