Python中的引导采样

2 年 ago

宇, 华

1 minute

这是一个关于Python中自助采样的教程。在本教程中，我们将学习什么是自助采样，然后看看如何进行实现。

让我们开始吧。 ba.)

什么是Bootstrap抽样？ shì Bootstrap ?)

自助采样方法的定义如下：

在统计学中，自助采样是一种方法，它涉及从数据源中重复抽样并有放回地抽取样本数据，以估计总体参数。

这基本上意味着，自助采样是一种技朧，您可以通过使用它来估计整个人口的参数，如均值，而无需明确考虑人口中的每个数据点。

不再看整个人口，而是看从人口中抽取的多个相同大小的子集。

例如，如果你的人口规模是1000人。那么为了找到平均值，不必考虑全部1000个数据项，你可以随机抽取50个样本，每个样本含有4个数据项，并计算每个样本的平均值。这样你将随机选择200个数据项（50个样本乘以4个数据项），并计算其平均值。

市场研究人员在大规模人口中进行研究时采用了类似的策略。

如何在Python中实现Bootstrap抽样？

现在让我们来看看如何在Python中实现bootstrap抽样。

我们将使用预设的均值生成一些随机数据。为此，我们将使用Python中的NumPy模块。

让我们首先导入所需的模块。

1. 导入所需的模块。

我们需要的模块有：

Numpy
Random

要导入这些模块，请使用：

import numpy as np
import random

在接下来的步骤中，我们需要生成一些随机数据。让我们使用Numpy模块来完成这个任务。

2. 生成随机数据

让我们生成一个平均值为300、包含1000个条目的正态分布。

以下是给出的代码:

x = np.random.normal(loc= 300.0, size=1000)

我们可以使用以下方法来计算这些数据的平均值：

print (np.mean(x))

结果：

300.01293472373254

请注意，这是人口的实际意义。

3. 使用自助采样法估计平均值

让我们创建50个大小为4的样本来估计均值。 50 gè 4 de .)

做这件事的代码是:

sample_mean = []

for i in range(50):
  y = random.sample(x.tolist(), 4)
  avg = np.mean(y)
  sample_mean.append(avg)

样本均值列表将包含50个样本的均值。为了估算总体均值，我们需要计算样本均值的均值。

你可以使用以下方法实现：

print(np.mean(sample_mean))

产出:

生产结果：

300.07261467146867

现在，如果我们再次运行这个部分的代码，我们会得到一个不同的输出。这是因为每次运行代码时，我们都会生成新的样本。然而，每次输出都会接近实际平均值（300）。

在再次运行本节中的代码后，我们得到了以下输出：

299.99137705245636

再次运行它，我们得到： tā, : )

300.13411004148315

用Python实现引导抽样的完整代码

这是本教程的完整代码：

import numpy as np
import random

x = np.random.normal(loc= 300.0, size=1000)
print(np.mean(x))

sample_mean = []
for i in range(50):
  y = random.sample(x.tolist(), 4)
  avg = np.mean(y)
  sample_mean.append(avg)

print(np.mean(sample_mean))

结论

本教程讲解了如何在Python中进行Bootstrap抽样。我们学习了通过创建较小的样本来估计总体的平均值。在机器学习领域中，这非常有用，可以避免过度拟合。希望你在学习中玩得开心！