stats.norm.pdf

将特征转换为正态分布的一种方法示例

正态（高斯）分布在机器学习中起着核心作用，线性回归模型中要假设随机误差等方差并且服从正态分布，如果变量服从正态分布，那么更容易建立理论结果。统计学领域的很大一部分研究都是假设数据是正态分布的，所以如果我们的数据具有是正态分布，那么么则可以获得更好的结果。但是一般情况下我们的数据都并不是正态分布，所以...

用Python实现Minitab的正态概率图

正态概率图是一种用于评估数据集是否遵循正态分布（也称为高斯分布）的统计工具。...

Python实现概率分布，学数据统计的需要收藏

作者：Runsen二项分布包含n个相同的试验每次试验只有两个可能的结果：“成功”或“失败”。出现成功的概率p对每一次试验是相同的，失败的概率q也是如此，且p+q=1。试验是互相独立的。试验成功或失败可以计数，即试验结果对应于一个离散型随机变量。...

使用高斯混合模型拆分多模态分布

本文介绍如何使用高斯混合模型将一维多模态分布拆分为多个分布。高斯混合模型（GaussianMixtureModels，简称GMM）是一种在统计和机器学习领域中常用的概率模型，用于对复杂数据分布进行建模和分析。GMM是一种生成模型，它假设观测数据是由多个高斯分布组合而成的，每个高斯分布称为一个分...

kaggle比赛笔记

importpandasaspdimportmatplotlib.pyplotaspltimportseabornassnsimportnumpyasnpfromscipy.statsimportnormfromsklearn.preprocessingi...

Python实战:A/B试验提升课程转化率的成效分析(一)

点击上方...

常用的时间序列分析方法总结和代码示例

时间序列是最流行的数据类型之一。视频，图像，像素，信号，任何有时间成分的东西都可以转化为时间序列。在本文中将在分析时间序列时使用的常见的处理方法。这些方法可以帮助你获得有关数据本身的见解，为建模做好准备并且可以得出一些初步结论。我们将分析一个气象时间序列。利用逐时ERA5Land[1]研究2023...

基于密度(Density-based)的聚类——核密度估计(KDE)

Indensity-basedclustering,clustersaredefinedasareasofhigherdensitythantheremainderofthedataset.Objectsinsparseareas-thatarere...

Python实现连续变量GHMM高斯隐马尔可夫模型

实现GHMM的重点在于，将EM算法的两步分别实现出来，高斯HMM与普通HMM的区别在于它的观测值是连续变量，服从高斯分布假设，而原始HMM模型中观测值为离散变量。E步的过程，就是假定观测值已知，参数已知，求这个观测值序列在此参数值下出现的概率，即后验概率。...

高斯混合模型(GMM):理念、数学、EM算法和python实现

高斯混合模型是一种流行的无监督学习算法。GMM方法类似于K-Means聚类算法，但是由于其复杂性，它更健壮，因此更有用。K-means聚类使用欧式距离函数来发现数据中的聚类。只要数据相对于质心呈圆形分布，此方法就可以很好地工作。但是，如果数据是非线性的呢？或者数据具有非零的协方差呢？如果聚类具有不同...