我一直在试图拟合威布尔分布stats.exponweib.fit-对于Weibull没有一个适合的Scipy,因此,需要利用指数Weibull的拟合,并将第一个形状参数设置为1。但是,当stats.exponweib.fit函数接收来自威布尔分布的具有已知形状参数的数据-拟合返回一组不同的形状参数。显示此行为的一些示例代码如下:
from numpy import random, exp, log
import matplotlib.pyplot as plt
from scipy import stats
import csv
# Expoential Weibull PDF
def expweibPDF(x, k, lam, alpha):
return (alpha * (k/lam) *
((x/lam)**(k-1)) *
((1 - exp(-(x/lam)**k))**(alpha-1)) *
exp(-(x/lam)**k))
# Expoential Weibull CDF
def exp_cdf(x, k, lam, alpha):
return (1 - exp(-(x / lam)**k))**alpha
# Expoential Weibull Inverse CDF
def exp_inv_cdf(p, k, lam, alpha):
return lam * ( - log( (1 - p)**(1/alpha) ))**(1/k)
# parameters for the fit - alpha = 1.0 reduces to normal Webull
# the shape parameters k = 5.0 and lam = 1.0 are demonstrated on Wikipedia:
# https://en.wikipedia.org/wiki/Weibull_distribution
alpha = 1.0
k0 = 5.0
lam0 = 1.0
x = []
y = []
# create a Weibull distribution
random.seed(123)
n = 1000
for i in range(1,n) :
p = random.random()
x0 = exp_inv_cdf(p,k0,lam0,alpha)
x += [ x0 ]
y += [ expweibPDF(x0,k0,lam0,alpha) ]
# now fit the Weibull using python library
# setting f0=1 should set alpha = 1.0
# so, shape parameters should be the k0 = 5.0 and lam = 1.0
(exp1, k1, loc1, lam1) = stats.exponweib.fit(y,floc=0, f0=1)
print (exp1, k1, loc1, lam1)
这里的输出是:
(1,2.8146777019890856,0,1.4974049126907345)
我本以为:
(1,5.0,0,1.0)
当我们绘制曲线时:
^{pr2}$我们得到以下曲线,显示了形状因子k=5和lambda=1的已知Weibull分布的输入数据和exponweib.fit公司不同的形状因素。在
Input Weibull data and output from exponweib.fit
第一篇关于stackoverflow的帖子-所以,希望上面的文章是正确的方式来提出一个问题。欢迎您对以上内容有任何想法和建议:)
目前没有回答
相关问题 更多 >
编程相关推荐