वितरण चुनना और उनका मूल्यांकन

Python में Monte Carlo Simulations

Izzy Weber

Curriculum Manager, DataCamp

वैरिएबल की probability distributions चुनना

डेटा और उपलब्ध probability distributions की सहज समझ बनाएँ
उम्मीदवार distributions की तुलना के लिए Maximum Likelihood Estimation (MLE) का उपयोग करें
probability distributions की goodness of fit जाँचने के लिए Kolmogorov-Smirnov test का उपयोग करें
- डेटा के empirical distribution और सैद्धांतिक candidate probability distribution के बीच दूरी मापता है
- गणना के लिए scipy.stats.kstest() का उपयोग करें

वितरण का मूल्यांकन: age

results = []

list_of_dists = ["laplace", "norm", "expon"]

for i in list_of_dists:
    dist = getattr(st, i)

    param = dist.fit(dia["age"])

    result = st.kstest(dia["age"], i, args=param)

    print(result)

उसी क्रम में Laplace, normal, और exponential distributions के परिणाम:

KstestResult(statistic=0.09511179937112832, pvalue=0.0006239579389182981)
KstestResult(statistic=0.0615913626181368, pvalue=0.06703225234359811)
KstestResult(statistic=0.2536037941921312, pvalue=1.5202547969084796e-25)

वितरण का मूल्यांकन: age

उसी क्रम में Laplace, normal, और exponential distributions के परिणाम:

KstestResult(statistic=0.09511179937112832, pvalue=0.0006239579389182981)
KstestResult(statistic=0.0615913626181368, pvalue=0.06703225234359811)
KstestResult(statistic=0.2536037941921312, pvalue=1.5202547969084796e-25)

वितरण का मूल्यांकन: tc blood serum

results = []
list_of_dists = ["laplace", "norm", "expon"]

for i in list_of_dists:
    dist = getattr(st, i)
    param = dist.fit(dia["tc"])
    result = st.kstest(dia["tc"], i, args=param)
    print(result)

उसी क्रम में Laplace, normal, और exponential distributions के परिणाम:

KstestResult(statistic=0.06435779928393615, pvalue=0.04915329841106708)
KstestResult(statistic=0.051165295747227724, pvalue=0.19085587687385897)
KstestResult(statistic=0.3318461436889846, pvalue=7.018486943525e-44)

अभ्यास करते हैं!

Python में Monte Carlo Simulations