Python 中的引导采样

这是关于 Python 中的 Bootstrap 采样的教程。在本教程中，我们将了解什么是引导，然后了解如何实现它。

让我们开始吧。

什么是引导抽样？

引导抽样的定义如下：

在统计学中，引导抽样是一种方法，涉及从数据源中重复抽取样本数据并进行替换，以估计总体参数。

这基本上意味着引导抽样是一种技术，您可以使用它来估计整个总体的平均值等参数，而无需明确考虑总体中的每个数据点。

我们不是着眼于整个总体，而是着眼于从总体中提取的多个相同大小的子集。

例如，如果您的人口规模是1000.然后找到平均值，而不是考虑所有 1000 个条目50 个样品，每个尺寸 4并计算每个样本的平均值。这样你就可以平均得到200 个条目(50X4) 随机选择。

市场研究人员使用类似的策略对大量人群进行研究。

如何在Python中实现Bootstrap采样？

现在让我们看看如何在Python中实现引导采样。

我们将生成一些具有预定平均值的随机数据。为此，我们将使用Python 中的 NumPy 模块.

让我们从导入必要的模块开始。

1.导入必要的模块。

我们需要的模块是：

• Numpy
• Random

要导入这些模块，请使用：

import numpy as np
import random

在下一步中，我们需要生成一些随机数据。让我们使用 Numpy 模块来做到这一点。

2. 生成随机数据

让我们生成一个平均值为的正态分布300与1000条目。

其代码如下：

x = np.random.normal(loc= 300.0, size=1000)

我们可以使用以下方法计算该数据的平均值：

print (np.mean(x))

Output :

300.01293472373254

请注意，这是总体的实际平均值。

3. 使用 Bootstrap Sampling 来估计平均值

让我们创建 50 个样本，每个样本大小为 4 来估计平均值。

这样做的代码是：

sample_mean = []

for i in range(50):
  y = random.sample(x.tolist(), 4)
  avg = np.mean(y)
  sample_mean.append(avg)

列表样本平均值将包含所有 50 个样本的平均值。为了估计总体的平均值，我们需要计算样本平均值.

您可以使用以下方法来做到这一点：

print(np.mean(sample_mean))

Output :

300.07261467146867

现在，如果我们再次运行本节中的代码，我们将得到不同的输出。这是因为每次运行代码时，我们都会生成新的样本。然而，每次输出都会接近实际平均值 (300)。

再次运行本节中的代码，我们得到以下输出：

299.99137705245636

再次运行，我们得到：

300.13411004148315

在 Python 中实现 Bootstrap 采样的完整代码

这是本教程的完整代码：

import numpy as np
import random

x = np.random.normal(loc= 300.0, size=1000)
print(np.mean(x))

sample_mean = []
for i in range(50):
  y = random.sample(x.tolist(), 4)
  avg = np.mean(y)
  sample_mean.append(avg)

print(np.mean(sample_mean))

结论

本教程是关于 Python 中的 Bootstrap 采样。我们学习了如何通过创建较小的样本来估计总体的平均值。这在机器学习领域非常有用，可以避免过度拟合。希望您和我们一起学习愉快！