Попытка понять теорию Байеса с помощью прямого применения ⇐ Python

[Anonymous]

Я пытаюсь применить теорему Байеса к своей проблеме, чтобы понять методологию и порядок расчета чисел.

По сути, у меня есть данные о четырех художниках и количестве объектов, которые они создают каждый месяц за 80 периодов.

Меня интересует буква «h», и я считаю, что существует три равновероятных варианта последнего обновления: 1) ушел с работы, 2) получил повышение и делился временем между созданием и управлением другими людьми, 3) был работал над проектом.

Для реализации этого процесса я использовал код Аллена Дауни Think Bayes.

из эмпирического импорта Pmf # Определить гипотезы гипос = ["левый", "управляющий", "проект"] # Определить априорные вероятности — все они одинаково вероятны предшествующий = Pmf(1/len(гипо), гипо) # Отобразить априорные вероятности print("Априорные вероятности:") печать (предшествующая) Результат:

Априорные вероятности: осталось 0,333333 управляющий 0,333333 проект 0.333333 тип d: float64 Код:

# Нормализовать данные для расчета вероятности нормализованные_данные = df.div(df.sum(ось=1), ось=0) Нормализованные данные:

h j n t 0 0,000000 1,000000 0,000000 0,0 1 0,666667 0,333333 0,000000 0,0 2 0,571429 0,428571 0,000000 0,0 3 0,769231 0,230769 0,000000 0,0 4 0,700000 0,300000 0,000000 0,0 Теперь я запутался.

из эмпирического импорта Pmf # Определить гипотезы гипос = ["левый", "управляющий", "проект"] # Рассчитайте вероятность, используя нормализованные данные вероятности = {} для гипо в гипо: правдоподобия [гипо] = нормализованные_данные.apply (лямбда-строка: строка, если гипо == «влево», иначе 1, ось = 1) # Выполняем байесовское обновление, чтобы получить апостериорные вероятности posterior_history = [предыдущий] для гипо в гипо: posterior = Prior.copy() # Создаем копию априорных вероятностей если гипо == "левый": # Обеспечиваем выравнивание меток строк и выполняем поэлементное умножение для индекса, строка в вероятности[hypo].iterrows(): если индекс в заднем.index: задний.loc[индекс] *= строка posterior /= posterior.sum() # Нормализуем апостериорные вероятности posterior_history.append(задний) Выход:

[осталось 0,333333 управляющий 0,333333 проект 0.333333 тип d: float64, осталось 0,333333 управляющий 0,333333 проект 0.333333 тип d: float64, осталось 0,333333 управляющий 0,333333 проект 0.333333 тип d: float64, осталось 0,333333 управляющий 0,333333 проект 0.333333 тип d: float64] Меня смутил результат по двум причинам. 1) задний такой же, как и предшествующий. 2) Есть четыре выхода.

Возможно, я слишком усложняю ситуацию и мне следует просто обновить значения, используя только один столбец нормализованных данных.

Что мне попробовать дальше?

Я создал список данных data_to_dict, таким образом:
{'h': {0: 0.0, 1:2,0, 2:4,0, 3:10,0, 4:7,0, 5:6,0, 6:4,0, 7:10,0, 8:11,0, 9:3,0, 10:4,0, 11:6,0, 12:3,0, 13:4,0, 14:8,0, 15:9,0, 16:6,0, 17:5,0, 18:6,0, 19:5,0, 20:4,0, 21:1,0, 22:3,0, 23:4,0, 24:0,0, 25:2,0, 26:6,0, 27:4,0, 28:8,0, 29:2,0, 30:4,0, 31:2,0, 32:2,0, 33:3,0, 34:2,0, 35:3,0, 36:2,0, 37:3,0, 38:3,0, 39:1,0, 40:4,0, 41:2,0, 42:1,0, 43:3,0, 44:3,0, 45:1,0, 46:1,0, 47:1,0, 48:5,0, 49:2,0, 50:2,0, 51:4,0, 52:4,0, 53:2,0, 54:3,0, 55:4,0, 56:2,0, 57:2,0, 58:1,0, 59:4,0, 60:3,0, 61:3,0, 62:3,0, 63:1,0, 64:3,0, 65:2,0, 66:2,0, 67:4,0, 68:2,0, 69:2,0, 70:1,0, 71:0,0, 72:5,0, 73:0,0, 74:3,0, 75:3,0, 76:2,0, 77:2,0, 78:2,0, 79:4,0, 80:1,0, 81:2,0, 82:0,0}, 'j': {0: 2,0, 1:1,0, 2:3,0, 3:3,0, 4:3,0, 5:2,0, 6:1,0, 7:9,0, 8:7,0, 9:4,0, 10:0,0, 11:3,0, 12:6,0, 13:2,0, 14:5,0, 15:4,0, 16:1,0, 17:2,0, 18:2,0, 19:3,0, 20:6,0, 21:6,0, 22:3,0, 23:4,0, 24:5,0, 25:3,0, 26:2,0, 27:1,0, 28:4,0, 29:0,0, 30:1,0, 31:0,0, 32:0,0, 33:2,0, 34:2,0, 35:1,0, 36:0,0, 37:4,0, 38:2,0, 39:0,0, 40:0,0, 41:2,0, 42:2,0, 43:1,0, 44:2,0, 45:1,0, 46:1,0, 47:2,0, 48:0,0, 49:1,0, 50:1,0, 51:2,0, 52:0,0, 53:0,0, 54:0,0, 55:1,0, 56:2,0, 57:1,0, 58:0,0, 59:1,0, 60:0,0, 61:1,0, 62:1,0, 63:1,0, 64: 2,0, 65:0,0, 66:2,0, 67:2,0, 68:5,0, 69:1,0, 70:2,0, 71:2,0, 72:3,0, 73:0,0, 74:3,0, 75:0,0, 76:1,0, 77:2,0, 78:5,0, 79:3,0, 80:1,0, 81:4,0, 82:2.0}, 'н': {0: 0,0, 1:0,0, 2:0,0, 3:0,0, 4:0,0, 5:0,0, 6:0,0, 7:0,0, 8:0,0, 9:0,0, 10:0,0, 11:0,0, 12:0,0, 13:0,0, 14:0,0, 15:0,0, 16:0,0, 17:0,0, 18:0,0, 19:0,0, 20:0,0, 21:0,0, 22:0,0, 23:0,0, 24:0,0, 25:0,0, 26:0,0, 27:0,0, 28:0,0, 29:0,0, 30:0,0, 31:0,0, 32:0,0, 33:0,0, 34:0,0, 35:0,0, 36:0,0, 37:0,0, 38:0,0, 39:0,0, 40:0,0, 41:0,0, 42:0,0, 43:0,0, 44:0,0, 45:0,0, 46:0,0, 47:0,0, 48:0,0, 49:0,0, 50:0,0, 51:0,0, 52:0,0, 53:0,0, 54:0,0, 55:0,0, 56:0,0, 57:0,0, 58:0,0, 59:0,0, 60:0,0, 61:0,0, 62:0,0, 63:0,0, 64:0,0, 65:0,0, 66:0,0, 67:0,0, 68:0,0, 69:0,0, 70:0,0, 71:0,0, 72:0,0, 73:1,0, 74:3,0, 75:6,0, 76:8,0, 77:2,0, 78:3,0, 79:2,0, 80:2,0, 81:5,0, 82:2.0}, 'т': {0: 0,0, 1:0,0, 2:0,0, 3:0,0, 4:0,0, 5:0,0, 6:0,0, 7:0,0, 8:6,0, 9:3,0, 10:4,0, 11:8,0, 12:2,0, 13:5,0, 14:5,0, 15:3,0, 16:7,0, 17:3,0, 18:4,0, 19:2,0, 20:5,0, 21:1,0, 22:2,0, 23:2,0, 24:2,0, 25:1,0, 26:1,0, 27:6,0, 28:4,0, 29:5,0, 30:2,0, 31:3,0, 32:6,0, 33:1,0, 34:2,0, 35:1,0, 36:2,0, 37:1,0, 38:2,0, 39:1,0, 40:0,0, 41:2,0, 42:2,0, 43:2,0, 44:2,0, 45:2,0, 46:3,0, 47:0,0, 48:2,0, 49:5,0, 50:3,0, 51:4,0, 52:0,0, 53:1,0, 54:1,0, 55:0,0, 56:3,0, 57:1,0, 58:1,0, 59:0,0, 60:1,0, 61:1,0, 62:1,0, 63:2,0, 64:0,0, 65:1,0, 66:1,0, 67:0,0, 68:0,0, 69:0,0, 70:0,0, 71:0,0, 72:0,0, 73:0,0, 74:0,0, 75:0,0, 76:0,0, 77:0,0, 78:0,0, 79:0,0, 80:0,0, 81:0,0, 82:0.0}} df = pd.DataFrame(df_to_dict)