Bootstrap
Python'da Çıkarımın Temelleri
Paul Savala
Assistant Professor of Mathematics
Bootstrap
- Bootstrap = Yeniden koyarak örnekleme
- Rastgele bir örnek seç
- Not et
- Veriye geri koy (yeniden koyma)
- Tekrarla
- Bootstrap örneği = Bootstrap ile üretilen örnek
Parametrik olmayan güven aralığı
stats.norm.intervaliçin parametrik olmayan karşılık- Yeniden koyarak örnekle
- Test istatistiğini hesapla
- Kaydet
- Tekrarla
- Ampirik bir dağılım oluşturur
salaries_df['Years of Employment']
[6, 11, 14, 3, 2, ...]
sample_1 = salaries_df['Years of Employment'].sample(n=10)print(max(sample_1) - min(sample_1))
7
- Bu işlemi birçok kez tekrarla
- Sonuçların orta %95’i = %95 bootstrap güven aralığı
# Statistic function def max_min(x): return max(x) - min(x)# Data as a tuple data = (salaries_df['Years of Employment'], )bootstrap_ci = stats.bootstrap(data, max_min, vectorized=False, n_resamples=1000)print(bootstrap_ci)
BootstrapResult(confidence_interval=ConfidenceInterval(low=33.0, high=38.0),
standard_error=1.3843971812870597)
Normal güven aralıkları
- Verinin normal dağılması gerekir
- Yalnızca ortalama ve standart hataya göre hesaplanır
- Çıkarım yalnızca normal veri için geçerlidir
- Hesaplaması çok hızlıdır
Bootstrap güven aralıkları
- Her dağıma uygundur
- Yeniden örnekleme ile doğrudan veriden hesaplanır
- Çıkarım her veri için geçerlidir
- Hesaplaması çok daha yavaştır
Bootstrap için kullanım durumları
- Normal olmayan verilerle çalışırken
- Sıralı veriler
- Çarpık veriler
- Normal güven aralıkları kuşkulu değerler verdiğinde
- İstediğimiz her istatistikle çalışabiliriz
Hadi pratik yapalım!
Python'da Çıkarımın Temelleri
