问题标签 [uncertainty]

我在另一个论坛上看到 PyStan 没有与他们使用的 RStan 相同的功能posterior_interval()，但我们可以使用numpy.percentile()。我目前正在使用pystan.StanModel.optimizing()PyStan 中的函数来获取最大化后验似然的参数集。我现在还想获得后验结果的外部 95% 置信区间，所以我想知道该numpy.percentile()函数是否会与该optimizing函数一起使用？

我尝试找到参数分布的 95% 区间，但这并没有给出围绕结果的良好置信区间。特别是，我不认为这很好，因为当我期望后验呈现多峰分布时，我使用的置信区间numpy.percentile()位于后验二维高斯补丁内。

我认为 95% 的间隔必须取自后部。我会使用百分位数函数和优化函数来获得 95% 置信度的后验结果吗？

目的是在没有不必要数字的情况下显示几个观察的结果，即显示一个具有与给定不确定性一致的有效数字数的值。

例如，如果经过计算mean=123.45，err=0.0012345则预期输出可能类似于123450 ± 1.2 (× 10 ^-3 )，其中使用了以下规则：

1. 错误总是有一位或两位有效数字。如果第一个数字是两个1（忽略前导零）
2. 平均值被四舍五入以丢弃除最后一个之外的不确定数字（ “将平均值停止在与 SEM 中第一个有效（非零）数字相同的十年” ）。如有必要，添加尾随零以显示与错误相对应的精度。

如何在 Python 中使用它：

问题是如何实现round_to_uncertainty(value, uncertainty)表达上述规则 1 和 2 的功能。

注意：术语错误，不确定性在问题中使用松散。请参阅测量不确定度表达指南 (GUM)。这是R 的相关问题。

我将看到数据集合的行为。可视化集成的更好方法是使用各种不确定性区间和平均值。我们可以使用“st.scoreatpercentile”计算各个百分位的不确定性区间但是使用以下代码，我遇到错误并且没有绘制图形。

在 python 中，我有一个数字：U = 0.02462631224438585 +- 3.350971888120506e-06.

由于不确定性四舍五入，我如何将其四舍五入为正确的有效数字1s.f.？有没有简单的使用方法numpy？还是scipy内置功能最适合这个？

我试过使用set_printoptions(precision=3)，但这不起作用。我也尝试过使用round(number, significant - len(str(number)))，但这似乎很啰嗦。

我确信我已经使用了几年前的功能，而无需创建自己的功能。

最终数字应该是U = 2.4626e-02 +- 3e-06

或者U = (2.4626 +- 3e-4)e-02

我正在将模型拟合到 Matlab 中的实验数据。对于这个模型，我想通过最小化实验数据集和模型数据集之间的平方残差之和来找到参数。该模型的形式如下图所示：

G(x) = G0/(1+(x/x_c)^(2m))

其中 G0、x_c 和 m 是要优化的参数。

为了识别参数，我在 Matlab 上使用了 lsqcurvefit 和 fminunc 工具。对于 lsqcurvefit，我使用输出雅可比矩阵和 nlparci 工具来确定 95% 置信区间并回溯以计算标准误差，如下所示。

然后，我使用 fminunc 函数通过最小化残差平方和来计算标准误差。通过这个过程可以得到一个hessian矩阵。使用hessian矩阵确定标准误差，如下所示：

问题是我从 lsqcurvefit 和 fminunc 获得的标准误差不同。我假设不同方法中的标准误差会略有不同，但是当我使用 fminunc 时，我得到的误差要大得多。但是，使用各个工具获得的优化参数是相同的。

为什么使用 fminunc 时误差大得多？我是否使用正确的方法来计算错误？

我有一个分类神经网络和对其进行训练的标称输入数据，但是输入数据对于每个特征都有系统（上下）不确定性。应该如何使用这些输入数据的不确定性来限定和可视化分类器的准确性？我有一个使用 iris 数据集组成的简单 MWE 示例；目的是应该可以轻松地复制粘贴到 Jupyter 笔记本中。

大量进口：

让我们加载 iris 数据集并将其限制为两个类，然后为训练做准备。

让我们做一些简单的分类模型。

现在进行快速培训...

现在，让我们为每个特征添加一些不确定性：

现在接下来实际上会发生什么，以便在给定这些不同的输入数据不确定性的情况下对分类器进行限定？

我有两个 unumpy 数组，形式为均值和标准。

现在，我想计算 A/B，但我收到“除以零”。但是，我只想对那些 B 不是 0 +/- nan 的值进行除法。在例外情况下，我只想将除法结果保留为 nan +/- nan 或简单地将它们全部删除。

注意：如果这些是简单数组而不是 uarray，我知道如何使用np.divideor np.where。

我正在尝试按照此处概述的逻辑生成我的 keras 模型的预测的置信区间：如何使用 Keras 计算预测不确定性？，在这里：https ://medium.com/hal24k-techblog/how-to-generate-neural-network-confidence-intervals-with-keras-e4c0b78ebbdf

我在 Keras github 问题页面上搜索了类似问题，这表明我使用错误的方法来实例化具有预定义配置的新模型，但是尽管将我的代码从问题更改Model.from_config()为tf.keras.Sequential.from_config()问题仍然存在。

代码如下：

任何帮助都非常感谢，非常感谢到目前为止所有帮助过的人。

我有两个量x和y它们的协方差矩阵cov(x,y)，我想计算派生量的误差z=1/(x-y)。z是否有一个包来计算和sigma(xz)和的平均值sigma(zy) ？

非常感谢你

如何使用 OpenTURNS 创建包含连续和离散随机变量的实验设计？

我知道我们可以这样做：

但这只会创建一个连续的联合分布，我可以从中进行采样。但是如何创建连续变量和离散变量的联合分布呢？那我可以从中取样吗？