scipy.stats.rv_continuous.fit¶
- rv_continuous.fit(data, *args, **kwds)[源代码]¶
从数据中返回形状(如果适用)、位置和比例参数的估计值。默认的估计方法是最大似然估计(MLE)，但也可以使用矩量法(MM)。
拟合的起始估计由输入自变量给出；对于没有随起始估计一起提供的任何自变量，
self._fitstart(data)被调用来生成这样的。通过传入关键字参数，可以保存某些固定为特定值的参数
f0，f1，.，fn(用于形状参数)和floc和fscale(分别用于位置和比例参数)。- 参数
- dataarray_like
用于估计分布参数的数据。
- Arg1，arg2，arg3，..。浮点数，可选
任何形状特征参数的起始值(那些未提供的参数将通过调用
_fitstart(data))。没有默认值。- kwds浮点数，可选
loc ：分布位置参数的初始猜测。
scale ：分布比例参数的初始猜测。
特殊关键字参数被识别为包含固定的某些参数：
F0.Fn：保持各自的形状参数固定。或者，可以按名称指定要修复的形状参数。例如，如果
self.shapes == "a, b"，fa和fix_a相当于f0，以及fb和fix_b相当于f1。FLOC：将位置参数固定为指定值。
fscale：保持Scale参数固定为指定值。
优化器：要使用的优化器。优化器必须使用
func，和起始位置作为前两个参数，加上args(对于要传递给要优化的函数的额外参数)和disp=0若要取消作为关键字参数的输出，请执行以下操作。方法：要使用的方法。默认值为“MLE”(最大似然估计)；“MM”(矩量法)也可用。
- 退货
- parameter_tuple浮点数的元组
任何形状参数的估计值(如果适用)，然后是位置和比例的估计值。对于大多数随机变量，将返回形状统计信息，但也有例外(例如
norm)。
注意事项
使用
method="MLE"(默认)，通过最小化负对数似然函数来计算拟合。对于超出分布支持的观测，应用大的、有限的惩罚(而不是无限负的对数似然)。使用
method="MM"的相对误差的L2范数最小来计算拟合 k 原始(约为零)数据矩和相应的分布矩，其中 k 非固定参数的数量。更准确地说，目标函数是：(((data_moments - dist_moments) / np.maximum(np.abs(data_moments), 1e-8))**2).sum()
其中常量
1e-8在数据矩消失的情况下避免被零除。通常，该误差范数可以减少到零。请注意，标准矩量法可以产生某些数据不在拟合分布支持范围内的参数；此实现不会阻止这种情况。对于任何一种方法，返回的答案都不能保证是全局最优的；它可能只是局部最优的，或者优化可能完全失败。如果数据包含以下任一项
np.nan，np.inf，或-np.inf，即 fit 方法将引发RuntimeError。示例
生成一些要拟合的数据：从
beta分布>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs(a, b, size=1000)
现在我们可以拟合所有四个参数 (
a，b，loc和scale)：>>> a1, b1, loc1, scale1 = beta.fit(x)
我们还可以使用一些关于数据集的先验知识：让我们保持
loc和scale已修复：>>> a1, b1, loc1, scale1 = beta.fit(x, floc=0, fscale=1) >>> loc1, scale1 (0, 1)
我们还可以通过使用
f-关键字。要保留第0个形状参数，请执行以下操作a等于1，使用f0=1或者，等同地，fa=1：>>> a1, b1, loc1, scale1 = beta.fit(x, fa=1, floc=0, fscale=1) >>> a1 1
并非所有分布都返回形状参数的估计值。
norm例如，只返回位置和规模的估计值：>>> from scipy.stats import norm >>> x = norm.rvs(a, b, size=1000, random_state=123) >>> loc1, scale1 = norm.fit(x) >>> loc1, scale1 (0.92087172783841631, 2.0015750750324668)