博客

在 Python 中拟合 Beta 分布可以使用 scipy.stats.beta 模块中的 fit 函数。

具体步骤如下：

Step 1：导入必要的库

import numpy as np
from scipy.stats import beta
from scipy.optimize import minimize

Step 2：准备数据

可以使用 numpy.random 模块生成 Beta 分布的数据，或者使用实际数据进行拟合。

a, b = 5, 2  # Beta 分布的参数
data = np.random.beta(a, b, size=1000)  # 生成 Beta 分布的数据

Step 3：定义拟合函数

我们将使用极大似然估计（MLE）来拟合 Beta 分布。由于 Beta 分布的概率密度函数比较复杂，在优化过程中可能会遇到求解失败的情况。为了防止这种情况发生，我们定义一个损失函数来代替概率密度函数。损失函数指的是预测值与实际值的差距，即拟合出来的 Beta 分布与实际数据之间的差异。在这里，我们使用最小二乘法来定义损失函数。具体实现如下：

def loss(params, a, b, data):
    alpha, beta = params
    return np.sum((beta.pdf(data, alpha, beta) - beta.pdf(data, a, b)) ** 2)

上述函数返回预测值和实际值的平方误差和。params 是待拟合的参数数组，a 和 b 是 Beta 分布的原始参数，data 是实际数据。

Step 4：拟合 Beta 分布

params0 = [1, 1]  # 初始参数值
res = minimize(loss, params0, args=(a, b, data))  # 使用最小二乘法拟合
alpha, beta = res.x  # 拟合出来的参数值

minimize 函数将损失函数 loss 作为第一个参数传入，params0 是初始参数值，args=(a, b, data) 表示将参数 a、b 和数据 data 作为额外的参数传入损失函数中。res.x 返回拟合出来的参数值。

Step 5：验证拟合效果

可以使用 scipy.stats.beta 模块中的 pdf 函数绘制拟合出来的 Beta 分布。例如：

import matplotlib.pyplot as plt

x = np.linspace(0, 1, 100)
plt.hist(data, bins=20, density=True, alpha=0.5, label='original data')
plt.plot(x, beta.pdf(x, a, b), 'r-', lw=2, alpha=0.6, label='original beta')
plt.plot(x, beta.pdf(x, alpha, beta), 'b-', lw=2, alpha=0.6, label='fitted beta')
plt.legend()
plt.show()

其中，x 是横坐标，bins 是直方图的柱子数量，alpha 是柱子的透明度，label 是标签。

最后，如果预测结果与实际数据之间的误差过大，可以采用一些常见的调参技巧，如更改初始参数、增加迭代次数等等。