আমি মিশ্রণ বিতরণ এবং বিশেষত সাধারণ বিতরণের মিশ্রণটি কীভাবে নমুনা করব R
? উদাহরণস্বরূপ, যদি আমি এর থেকে নমুনা নিতে চাই:
আমি এটা কিভাবে করতে পারি?
আমি মিশ্রণ বিতরণ এবং বিশেষত সাধারণ বিতরণের মিশ্রণটি কীভাবে নমুনা করব R
? উদাহরণস্বরূপ, যদি আমি এর থেকে নমুনা নিতে চাই:
আমি এটা কিভাবে করতে পারি?
উত্তর:
পারফরম্যান্সের কারণে for
লুপগুলি এড়ানো ভাল অনুশীলন R
। একটি বিকল্প সমাধান যা সত্যটিকে কাজে লাগায় rnorm
তা ভেক্টরাইজড:
N <- 100000
components <- sample(1:3,prob=c(0.3,0.5,0.2),size=N,replace=TRUE)
mus <- c(0,10,3)
sds <- sqrt(c(1,1,0.1))
samples <- rnorm(n=N,mean=mus[components],sd=sds[components])
samples <- rnorm(N)*sds[components]+mus[components]
। আমি পড়তে সহজ মনে করি :)
সাধারণভাবে, একটি মিশ্রণ বিতরণ থেকে নমুনার সবচেয়ে সহজ উপায় নিম্নলিখিত:
অ্যালগরিদম পদক্ষেপ
1) একটি এলোমেলো পরিবর্তনশীল U ∼ ইউনিফর্ম তৈরি করুন ( 0 , 1 )
3) পদক্ষেপ 1) এবং 2) পুনরাবৃত্তি করুন যতক্ষণ না আপনি মিশ্রণ বিতরণ থেকে পছন্দসই নমুনাগুলি পান have
এখন উপরে বর্ণিত সাধারণ অ্যালগরিদম ব্যবহার করে আপনি নীচের R
কোডটি ব্যবহার করে আপনার নরমালদের উদাহরণের মিশ্রণটি থেকে নমুনা নিতে পারেন :
#The number of samples from the mixture distribution
N = 100000
#Sample N random uniforms U
U =runif(N)
#Variable to store the samples from the mixture distribution
rand.samples = rep(NA,N)
#Sampling from the mixture
for(i in 1:N){
if(U[i]<.3){
rand.samples[i] = rnorm(1,0,1)
}else if(U[i]<.8){
rand.samples[i] = rnorm(1,10,1)
}else{
rand.samples[i] = rnorm(1,3,.1)
}
}
#Density plot of the random samples
plot(density(rand.samples),main="Density Estimate of the Mixture Model")
#Plotting the true density as a sanity check
x = seq(-20,20,.1)
truth = .3*dnorm(x,0,1) + .5*dnorm(x,10,1) + .2*dnorm(x,3,.1)
plot(density(rand.samples),main="Density Estimate of the Mixture Model",ylim=c(0,.2),lwd=2)
lines(x,truth,col="red",lwd=2)
legend("topleft",c("True Density","Estimated Density"),col=c("red","black"),lwd=2)
যা উত্পন্ন করে:
এবং স্যানিটি পরীক্ষা হিসাবে:
R
set.seed(8) # this makes the example reproducible
N = 1000 # this is how many data you want
probs = c(.3,.8) # these are *cumulative* probabilities; since they
# necessarily sum to 1, the last would be redundant
dists = runif(N) # here I'm generating random variates from a uniform
# to select the relevant distribution
# this is where the actual data are generated, it's just some if->then
# statements, followed by the normal distributions you were interested in
data = vector(length=N)
for(i in 1:N){
if(dists[i]<probs[1]){
data[i] = rnorm(1, mean=0, sd=1)
} else if(dists[i]<probs[2]){
data[i] = rnorm(1, mean=10, sd=1)
} else {
data[i] = rnorm(1, mean=3, sd=.1)
}
}
# here are a couple of ways of looking at the results
summary(data)
# Min. 1st Qu. Median Mean 3rd Qu. Max.
# -3.2820 0.8443 3.1910 5.5350 10.0700 13.1600
plot(density(data))
ifelse()
বিবৃতিতে কিছু ছিল তবে আমাকে এটি পরে বের করতে হবে। আমি সেই কোডটি ডাব্লু / একটি লুপ প্রতিস্থাপন করেছি।
R
findInterval()
cumsum()
mu
s
p
mix <- function(n,mu,s,p) { ii <- findInterval(runif(n),cumsum(p))+1; x <- rnorm(n,mean=mu[ii],sd=sqrt(s[ii])); return(x); }
findInterval()
কমান্ডটি আগে দেখিনি , তবে আমি এখানে কোডটি যতটা সরলভাবে লিখতে চাই তাতে লিখতে পছন্দ করি কারণ আমি চাই এটি দক্ষতার চেয়ে বোঝার সরঞ্জাম হয়ে উঠুক।
ইতিমধ্যে নিখুঁত উত্তর দেওয়া হয়েছে, সুতরাং যারা পাইথনে এটি অর্জন করতে চান তাদের জন্য, এখানে আমার সমাধান:
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
mu = [0, 10, 3]
sigma = [1, 1, 1]
p_i = [0.3, 0.5, 0.2]
n = 10000
x = []
for i in range(n):
z_i = np.argmax(np.random.multinomial(1, p_i))
x_i = np.random.normal(mu[z_i], sigma[z_i])
x.append(x_i)
def univariate_normal(x, mean, variance):
"""pdf of the univariate normal distribution."""
return ((1. / np.sqrt(2 * np.pi * variance)) *
np.exp(-(x - mean)**2 / (2 * variance)))
a = np.arange(-7, 18, 0.01)
y = p_i[0] * univariate_normal(a, mean=mu[0], variance=sigma[0]**2) + p_i[1] * univariate_normal(a, mean=mu[1], variance=sigma[0]**2)+ p_i[2] * univariate_normal(a, mean=mu[2], variance=sigma[0]**2)
fig, ax = plt.subplots(figsize=(8, 4))
ax.hist(x, bins=100, density=True)
ax.plot(a, y)