问题标签 [uncertainty]

我正在寻找一种在 Python 中绘制阴影错误区域而不是错误栏的方法。

我知道matplotlib.pyplot.fill_between()您可以使用它为 y 错误构建解决方法，但这不包括 x 不确定性。

有任何想法吗？不幸的是，我没有足够的声誉在这里发表评论。

提前致谢！

编辑

matplotlib.pyplot.fill_betweenx()导致类似：

编辑 2

此外，我认为对于一个完全不确定的区域来说它是不正确的。下面我画了我认为正确的形状 - 我希望，我在这里没有错......

我将致力于不确定性可视化。我的主要问题是查找/生成具有不确定数据的 2D/3D/n 维数据集。

如何生成/创建包含不确定数据（带和/或不带标签）的数据集？是否有任何基准数据集？

当 GPS 定位不可用时（或者即使有时可用），谷歌手机地图会在蓝色自我定位点周围显示一个蓝色的不确定圆圈。这个蓝色圆圈到底（统计上）代表什么？

是 95% 的置信区间吗？由于它的大小确实发生了变化，我假设它是准确性的某种表示。它只是一个粗略的指导方针，还是有一些实际数字用于准确性计算，然后在视觉上表示？

我的Python编程问题如下：

我想创建一组测量结果。每个结果都可以描述为正态分布，其平均值是测量结果本身，标准偏差是其不确定性。

伪代码可能是：

比我想计算 x 的FFT：

我想要的是 x 中包含的测量的不确定性通过 FFT 计算传播，因此 f 是一个振幅数组以及它们的不确定性，如下所示：

你能建议我这样做吗？

关于蒙特卡洛模拟的 mc2d 包，我有以下问题。

给定一个 mc 节点，即一个 mc 对象。我们如何获得分布值的不确定性？

例如，作为输入分布，我使用均匀分布，其中最小值等于 2，最大值等于 8。鉴于此，我们生成一个 mc 对象，将其应用于 mc。

汇总函数产生诸如中位数、平均值、97.5% 等值。

但正如我所说，如何才能估计给定值的不确定性？

提前致谢！

我有这个数据集，我可以在其中计算给定年龄的跌倒百分比。成员总数是给定年龄的整个日期，成员下降是总成员中的下降量。

这些数据生成一个新月图，我愿意做的是计算这个百分比的不确定性并在散点图中绘制一个误差线。

谢谢

我刚开始使用在http://pythonhosted.org/uncertainties/index.html#uncertainties找到的模块

假设我们有一个带有经过校准的温度传感器的实验装置。现在考虑校准产生了可变的测量误差，例如从±1 K @ 0 °C 线性增加到± 4 K @ 100 °C。使用模块定义变量时是否可以定义要使用的自定义函数uncertainties？

例子：

如果是这样，当它的标称值改变时，变量的不确定性是否会改变？

例子：

我想做的事：

我想在 Excel 中使用运算符重载在我的自定义数据类型上运行自定义函数。例如，在计算公式时，当计算涉及我的一种自定义数据类型时，我希望 Excel 运行我的函数而不是“+”运算符。

为什么我想这样做：

在分析化学中，每个数字都有一个不确定性，并写成：

13.56 (±0.02) 毫米

我想创建一个自定义数据类型，将数字的大小和不确定性放在同一个单元格中。

另外，我想实现运算符重载，所以当我写

并且 A1 或 A2 包含不确定性类型的数字，我的自定义函数运行而不是默认的“+”运算符来计算不确定性。

这将使我的电子表格更干净，因为目前，我必须写这样的声明

这对于非常简单的方程来说很好，但是当我试图形成的操作甚至有点不重要时就会变得很痛苦。

为什么我认为这是可能的：

我知道在真正的、成熟的编程语言（如 C#）中，运算符重载非常常见且非常容易执行。

谢谢您的帮助，

迈克尔

我正在使用代表 python 2.7 的模块不确定性。谁曾键入以下代码行：

你想知道结果的不确定性吗？我期望一个有限的错误：0.0+/-0.5根据我对统计的理解。我使用的错误传播公式如下：

我不喜欢每次都用手做。我怎样才能有效和可靠地传播错误，或者我的直觉是错误的？

我的问题是围绕我遇到的一个特定分类问题。

我的训练数据是完整的，没有缺失数据。我可以围绕它构建任何分类模型（SVM、随机森林等）以获得良好的结果。到目前为止，猪还没有在对流层中飞行。

问题是我想将这些模型应用于缺少功能的数据。我对任何形式的估算都不感兴趣。我想要一个“不确定性”度量，它会增加更多缺失的特征，并且我仍然希望模型吐出结果（即使具有很高的不确定性）。例如，对于一条记录，如果 10 个特征中有 5 个是空数据，则模型会给出一个类别，但不确定性为 50%（理想情况下，我可以指定每个变量的“重要性”程度）。

我没有在网上遇到过类似的东西，我一直在寻找一段时间。谢谢你的帮助 ！