Утконос для создания гистограмм с известным средним, дисперсией, асимметрией и эксцессом - PullRequest
Новая
       24

Утконос для создания гистограмм с известным средним, дисперсией, асимметрией и эксцессом

0 голосов
/ 05 апреля 2019

Я использую Platypus Optimization для создания гистограмм с известным средним значением, CV, асимметричностью и эксцессом. Я могу найти оптимизированные значения, но не получаю нужных мне точных значений.Я использую экземпляр Ubuntu EC2 с Python 3. Я скопировал свой код ниже.На рисунке ниже вы можете увидеть, как я использовал начальные параметры масштаба для a, c, loc и масштаба (12.328607937460614, -25.460218010291722, -199.09204975419763, 245.10235332412498), чтобы получить целевое среднее значение 22, CV 10, значение асимметрии-0,43 и эксцесс 0,352.Я вытаскиваю эти значения из опубликованных исследований литературы.Меня немного беспокоит, что разные программы могут по-разному рассчитывать асимметрию и эксцесс.Причина, по которой я это делаю, заключается в том, что я могу протестировать различные экономические модели на выходных распределениях, которые имитируют те, что найдены в литературе. Ответьте здесь, и я могу уточнить.

enter image description here

import ipywidgets as widgets
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
import ipywidgets as widgets
import scipy.optimize
import scipy.stats
import csv
import pprint
import math
from platypus import *
import matplotlib.pyplot as plt
from scipy import interpolate
import numpy as np
from math import pow



def GammaDistribution(x):
    a     = x[0]
    c     = x[1]
    loc   = x[2]
    scale = x[3]
    distribution = scipy.stats.gengamma(a=a, c=c, loc=loc, scale=scale)
    type(distribution)
    sample = distribution.rvs(size=4000)
    average_ = np.mean(sample)
    variance_ = np.var(sample)
    toup = distribution.stats("mvsk")
    average = str(np.asscalar(toup[0]))
    variance = str(np.asscalar(toup[1]))
    skewness = str(np.asscalar(toup[2]))
    kurtosis = str(np.asscalar(toup[3]))
    cv = math.sqrt(float(variance)) / float(average) * 100
    list_ = [
        (
            a,
            c,
            loc,
            scale,
            float(average),
            float(variance),
            cv,
            float(skewness),
            float(kurtosis),
        )
    ]
    listing.append((list_))
#     print(
#         "mean = ",
#         str(average),
#         ", variance = ",
#         str(variance),
#         "CV = ",
#         str(cv),
#         ", skewness = ",
#         str(skewness),
#         ", kurtosis = ",
#         str(kurtosis),
#     )
#     print(
#         "a = ", str(a), ", c = ", str(c), "loc = ", str(loc), ", scale = ", str(scale)
#     )
    Dm = pow((Tm - float(average)), 5)
    Dcv = pow(Tcv - float(cv),2)
    Ds = pow((Tk - float(skewness))*5,3.0)
    Dk = (Ts - float(kurtosis))*10
#     MinimizeThis = Dm + Dcv + Dk + Ds
#     print(MinimizeThis)
#     MinimizeThis = int(MinimizeThis * 10)
#     print(MinimizeThis)
    return Dm, Dcv, Ds, Dk
#     return float(average), float(cv), float(skewness), float(kurtosis)
Tm = 22
Tcv = 10
Ts = -0.43
Tk = 0.352

# problem = Problem(4, 4, 4)
problem = Problem(4, 4)
problem.types[:] = [Real(1, 100), Real(-100, 50), Real(-200, 0), Real(.2, 300)]
problem.constraints[:] = "==0"
problem.function = GammaDistribution
algorithms = [
    NSGAII,
    (NSGAIII, {"divisions_outer": 12}),
    (CMAES, {"epsilons": [0.05]}),
    GDE3,
    IBEA,
    (MOEAD, {"weight_generator": normal_boundary_weights, "divisions_outer": 12}),
    (OMOPSO, {"epsilons": [0.05]}),
    SMPSO,
    SPEA2,
    (EpsMOEA, {"epsilons": [0.05]}),
]
approach = GDE3
algorithm = approach(problem)
algorithm.run(200)
# print(algorithm.result)
print (Tm, Tcv, Ts, Tk)

for solution in unique(nondominated(algorithm.result)):
    print(solution.variables, solution.objectives)
    solution.objectives[0]
    print(test)
...