这篇文章的主要目的,是给大家讲解一下,关于python Copula如何进行绘制散点模型的相关实例,具体的代码下面给大家列出来了,有问题的小伙伴,可以仔细的进行阅读下文哦。
一、使用copula生成合成数据集(synthetic dataset)
1.三维数据描述
建立一个三维数据表,查看三维数据的散点图:
from copulas.datasets import sample_trivariate_xyz data=sample_trivariate_xyz() from copulas.visualization import scatter_3d scatter_3d(data)
2.使用高斯copula对数据集建模
使用GaussianMultivariate(自动)估计x、y、z的边缘分布和联合分布,从而能够对数据集建模。
from copulas.multivariate import GaussianMultivariate copula=GaussianMultivariate() copula.fit(data)
3.使用拟合后的模型生成新的数据集
使用sample按拟合好的边际分布生成1000个新的样本点(每个编辑分布都生成1000个样本点,3个边际分布生成3000个样本点)
num_samples=1000 synthetic_data=copula.sample(num_samples) synthetic_data.head()
4.观察三维散点图,比较拟合数据与真实数据的差异
from copulas.visualization import compare_3d compare_3d(data,synthetic_data)
5.保存与加载模型拟合路径
对于需要较长时间进行拟合copula模型的数据,可以拟合一个比较合适的模型后,用save保存这个模型,在每次想采样新数据时用load加载存储在磁盘上已经拟合好的模型。
model_path='mymodel.pkl' copula.save(model_path) new_copula=GaussianMultivariate.load(model_path) new_samples=new_copula.sample(num_samples)
6.提取和设置参数
在某些情况下,从拟合的连接中获取参数比从磁盘中保存和加载参数更有用。可以使用to_dict方法提取copula模型的参数:
copula_params=copula.to_dict()
一旦有了所有的参数,就可以使用from_dict创建一个新的相同的Copula模型:
new_copula=GaussianMultivariate.from_dict(copula_params)
#用新模型生成新的参数:
new_samples=new_copula.sample(num_samples)
综上所述,这篇文章就为大家介绍到这里了,希望可以能给各位读者带来更多的帮助。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/128019.html
☀️苏州程序大白一文从基础手把手教你Python数据可视化大佬☀️《❤️记得收藏❤️》 目录 ?️?开讲啦!!!!?️?苏州程序大白?️??博主介绍前言数据关系可视化散点图 Scatter plots折线图强调连续性 Emphasizing continuity with line plots同时显示多了图表 数据种类的可视化 Plotting with categorical da...
摘要:在本次课程中,着重讲解的是传统的机器学习技术及各种算法。回归对连续型数据进行预测趋势预测等除了分类之外,数据挖掘技术和机器学习技术还有一个非常经典的场景回归。 摘要: 什么是数据挖掘?什么是机器学习?又如何进行Python数据预处理?本文将带领大家一同了解数据挖掘和机器学习技术,通过淘宝商品案例进行数据预处理实战,通过鸢尾花案例介绍各种分类算法。 课程主讲简介:韦玮,企业家,资深IT领...
摘要:在本次课程中,着重讲解的是传统的机器学习技术及各种算法。回归对连续型数据进行预测趋势预测等除了分类之外,数据挖掘技术和机器学习技术还有一个非常经典的场景回归。 摘要: 什么是数据挖掘?什么是机器学习?又如何进行Python数据预处理?本文将带领大家一同了解数据挖掘和机器学习技术,通过淘宝商品案例进行数据预处理实战,通过鸢尾花案例介绍各种分类算法。 课程主讲简介:韦玮,企业家,资深IT领...
阅读 889·2023-01-14 11:38
阅读 833·2023-01-14 11:04
阅读 685·2023-01-14 10:48
阅读 1888·2023-01-14 10:34
阅读 892·2023-01-14 10:24
阅读 750·2023-01-14 10:18
阅读 479·2023-01-14 10:09
阅读 519·2023-01-14 10:02