问题
我有一个包含4个数字特征和1000个数据点的数据集。值的分布是未知的(numpy randint生成统一的int,但这仅出于说明目的)。给定新的数据点(4个数字),我想查找此特定数据点的累积概率(单个数字)。
import numpy as np
data = np.random.randint(1,100,size=(1000,4))
array([[28,52,91,66],[78,94,95,12],[60,63,43,37],...,[81,68,45,46],[14,38,[37,51,97]])
new_data = np.random.randint(1,size=(1,4))
array([[75,24,39,94]])
我尝试过:
Scipy
可以估计pdf,不知道如何估计累积概率。可能的方法是monte-carlo sim或Integration(scipy.integrate.nquad),这对我的情况Integrate 2D kernel density estimate而言太慢了。
import scipy.stats
kde = scipy.stats.gaussian_kde(data.T)
kde.pdf(new_data)
Scikit学习
与上述相同,不知道如何估算累积概率。
from sklearn.neighbors import KernelDensity
model = KernelDensity()
model.fit(data)
np.exp(model.score_samples(new_data))
统计模型
无法存档任何内容,因为这仅接受一维数据。
from statsmodels.distributions.empirical_distribution import ECDF
ecdf = ECDF(data[:,0])
ecdf(new_data[0][0])
问题是,是否存在一种快速有效的方法来估计具有提供的scipy或sklearn(最好)模型的4维数据点的累积概率?
我是朝着正确的方向前进吗,还是有完全不同的方式来解决这个问题?也许可变自动编码器是要走的路?有解决这个问题的简单方法吗?