Python高层解雇和客户活跃度量化不确定性模型

2024-05-30 05:36

本文主要是介绍Python高层解雇和客户活跃度量化不确定性模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

🎯要点

🎯量化不确定性模型:🖊模型检测短信编写者行为变化 | 🖊确定(商业领域中)竞争性替代方案 | 🖊确定作弊供词真实比例 | 🖊学生考试作弊 | 🖊确定零部件损坏导致的灾难事故原因 | 🖊马尔可夫链蒙特卡罗算法先验-后验范式可视化 | 🖊聚类寻找信息隐藏源头 | 🖊模型确定和纠正虚假商品星评 | 🖊客户商品价格优化呈现 | 🖊星系位置和椭圆率模拟 | 🖊最大化赌场奖金策略 | 🖊证券分析。

🎯动态分析和常微分方程推理流感传播 | 🎯高层领导被解雇模型预测 | 🎯客户活跃度模型预测 | 🎯热饮冷却非线性模型动态分析 | 🎯多级回归和后分层预测公众人物角逐 | 🎯模型分析专业人士对比机器学习工具的优劣​ | 🎯销售领域利润率建模 | 🎯模型分析定位无线网络用户位置。

🍇Python贝叶斯推理

贝叶斯推理是一种找出变量分布的方法(例如高度 h h h 的分布)。贝叶斯推理的有趣特征是,统计学家(或数据科学家)可以利用他们的先验知识作为改进我们对分布情况的猜测的手段。贝叶斯推理依赖于贝叶斯统计的主要公式:贝叶斯定理。贝叶斯定理接受我们对分布的假设,即新的数据,并输出更新后的分布。对于数据科学,贝叶斯定理通常表示如下:
P ( θ ∣ Data  ) = P ( Data  ∣ θ ) ∗ P ( θ ) P ( Data  ) P(\theta \mid \text { Data })=\frac{P(\text { Data } \mid \theta) * P(\theta)}{P(\text { Data })} P(θ Data )=P( Data )P( Data θ)P(θ)

  • P ( θ ∣ D a t a ) P(\theta \mid D a t a) P(θData) 后验
  • P ( P( P( Data ∣ θ ) \mid \theta) θ) 似然
  • P ( θ ) P(\theta) P(θ) 先验
  • P ( P( P( Data ) ) ) 事实

我们可以从贝叶斯定理中看出,先验是一个概率:P(θ)。首先,让我们深入研究一下“θ”的含义。θ 通常表示为我们对最能描述我们试图研究的变量的模型的假设。让我们回到身高的例子。根据背景知识和常识,我们推断出身高在一个班级中呈正态分布。正式来说:
h ∼ N ( μ , σ ) h \sim N (\mu, \sigma) hN(μ,σ)
其中 N N N表示正态分布, μ \mu μ表示平均值, σ \sigma σ表示标准差。

现在,我们的先验并不完全是上面的表达式。相反,它是我们对每个参数 μ \mu μ σ \sigma σ 如何分布的假设。请注意,这就是贝叶斯统计的定义特征的体现:我们如何找到这些参数的分布?有趣的是,我们根据先验知识“编造”它们。如果我们的先验知识很少,我们可以选择一个非常无信息的先验,以免使过程产生偏差。例如,我们可以定义平均高度 μ \mu μ 介于 1.65 m 1.65 m 1.65m 1.8 m 1.8 m 1.8m 之间。如果我们想要一个无信息的先验,我们可以说 μ \mu μ 沿着该区间均匀分布。相反,如果我们认为平均高度在某种程度上偏向于更接近 1.65 m 1.65 m 1.65m 而不是 1.8 m 1.8 m 1.8m 的值,我们可以定义 μ \mu μ 服从 beta 分布,由“超”参数 α \alpha α 定义和 β \beta β。我们可以看看下面这些选项:

import scipy.stats as sts
import numpy as np
import matplotlib.pyplot as pltmu = np.linspace(1.65, 1.8, num = 50)
test = np.linspace(0, 2)
uniform_dist = sts.uniform.pdf(mu) + 1 
uniform_dist = uniform_dist/uniform_dist.sum() 
beta_dist = sts.beta.pdf(mu, 2, 5, loc = 1.65, scale = 0.2) 
beta_dist = beta_dist/beta_dist.sum()
plt.plot(mu, beta_dist, label = 'Beta Dist')
plt.plot(mu, uniform_dist, label = 'Uniform Dist')
plt.xlabel("Value of $\mu$ in meters")
plt.ylabel("Probability density")
plt.legend()

请注意 y 轴如何为我们提供“概率密度”,即我们认为真正的 μ \mu μ x x x 轴上的概率密度。另外,请注意,β 分布和均匀分布会导致我们对 μ \mu μ 的值可能得出的不同结论。如果我们选择均匀分布,我们就表示我们不倾向于判断 μ \mu μ 是否接近我们范围内的任何值,我们只是认为它位于其中的某个位置。如果我们选择 beta 分布,我们相当确定 μ \mu μ 的“真实”值介于 1.68 m 1.68 m 1.68m 1.72 m 1.72 m 1.72m 之间,如蓝线峰值所示。

请注意,我们正在讨论 μ \mu μ 的先验,但我们的模型实际上有两个参数: N ( μ , σ ) N (\mu, \sigma) N(μ,σ)。一般来说,我们也可以定义 σ \sigma σ 上的先验。然而,如果我们对 σ \sigma σ 的猜测感到幸运,或者如果我们想为了示例而简化过程,我们可以将 σ \sigma σ 设置为固定值,例如 0.1 m 0.1 m 0.1m

似然表示为 P ( P ( P( Data ∣ θ ) \mid \theta) θ)。在这种情况下,“数据”将是高度的观测值。假设我们要测量一名随机挑选的学生,他们的身高为 1.7m。考虑到有了这个数据,我们现在可以了解 θ \theta θ 的每个选项有多好。我们通过以下问题来做到这一点:如果 θ \theta θ 的一个特定选项(称为 θ 1 \theta 1 θ1)是真实的,那么我们观察到 1.7 m 1.7 m 1.7m 高度的“可能性”有多大? θ 2 \theta 2 θ2 怎么样:如果 θ 2 \theta 2 θ2 是“正确”模型,观察到 1.7 m 1.7 m 1.7m 高度的可能性有多大?

然而,就我们目前的目的而言,我们正在改变分布/模型本身。这意味着我们的 x x x 轴实际上将具有变量 μ \mu μ 的不同可能性,而我们的 y y y 轴将具有每种可能性的概率密度。看看下面的代码,它代表了我们的似然函数及其可视化:

def likelihood_func(datum, mu):likelihood_out = sts.norm.pdf(datum, mu, scale = 0.1) return likelihood_out/likelihood_out.sum()likelihood_out = likelihood_func(1.7, mu)plt.plot(mu, likelihood_out)
plt.title("Likelihood of $\mu$ given observation 1.7m")
plt.ylabel("Probability Density/Likelihood")
plt.xlabel("Value of $\mu$")
plt.show()

一些统计学家将 P ( P ( P( Data ) ) ) 称为“证据”。这个变量的含义非常简单:它是产生价值数据的概率。然而,这很难直接计算。值得庆幸的是,我们有一个好办法。考虑以下方程:
∫ P ( Data  ∣ θ ) ∗ P ( θ ) d θ = P ( Data  ) \int P(\text { Data } \mid \theta) * P(\theta) d \theta=P(\text { Data }) P( Data θ)P(θ)dθ=P( Data )
贝叶斯定理的右侧 P ( θ ∣ P (\theta \mid P(θ Data) 称为“后验”。这是我们对数据如何分布的后验理解,因为我们目睹了数据,并且我们有先验知识。我们如何得到后验呢?回到方程:
P ( θ ∣ Data  ) = P ( Data  ∣ θ ) ∗ P ( θ ) P ( Data  ) P(\theta \mid \text { Data })=\frac{P(\text { Data } \mid \theta) * P(\theta)}{P(\text { Data })} P(θ Data )=P( Data )P( Data θ)P(θ)
那么,第一步是将似然度 (P(Data ∣ θ ) ) \mid \theta)) θ)) 与先验 ( P ( θ ) ) ( P (\theta)) (P(θ)) 相乘:

import scipy as spunnormalized_posterior = likelihood_out * uniform_dist
plt.plot(mu, unnormalized_posterior)
plt.xlabel("$\mu$ in meters")
plt.ylabel("Unnormalized Posterior")
plt.show()

👉参阅一:计算思维

👉参阅二:亚图跨际

这篇关于Python高层解雇和客户活跃度量化不确定性模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1015709

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专