标签: multinomial

我正在尝试使用（python）中的multinominal.pmf函数scipy.stats。

当我在输入中所有概率均大于零的情况下使用此函数时，它可以正常工作。问题是当我要使用其中一个概率为零的函数时。

以下示例说明了我的意思：

In [18]: multinomial.pmf([3, 3, 0], 6, [1/3.0, 1/3.0, 1/3.0])
Out[18]: 0.027434842249657095

In [19]: multinomial.pmf([3, 3, 0], 6, [2/3.0, 1/3.0, 0])
Out[19]: nan

可以看出，在第一次所有概率均大于0的情况下，使用该函数没有问题。但是，当我将其中一个概率更改为零时，该函数返回nan，即使通过该函数也应返回0.21948。

当其中一个概率为零时，是否有一种方法（在python中）来计算pmf？可以通过其他方式处理该问题，或者解决该功能。

附加信息

我在示例中使用Matlab中的mnpdf函数计算了示例中的函数应返回的值。但是，由于我的其余代码在python中，所以我更喜欢找到一种在python中进行计算的方法。

我正在使用nnet包中的函数multinom来运行多项逻辑回归.

在多项逻辑回归中,据我所知,系数是响应概率与参考响应概率之比的对数变化(即ln(P(i)/ P(r))= B ₁ + B ₂*X ...其中i是一个响应类别,r是参考类别,X是一些预测器).

但是,拟合(multinom(...))会为每个类别生成估计值,甚至是参考类别r.

编辑示例:

set.seed(1)
library(nnet)
DF <- data.frame(X = as.numeric(rnorm(30)), 
                 Y = factor(sample(letters[1:5],30, replace=TRUE)))
DF$Y<-relevel(DF$Y, ref="a") #ensure a is the reference category
model <- multinom(Y ~ X, data = DF)
coef(model)
#  (Intercept)           X
#b   0.1756835  0.55915795
#c  -0.2513414 -0.31274745
#d   0.1389806 -0.12257963
#e  -0.4034968  0.06814379

head(fitted(model))
#          a         b          c         d         e
#1 0.2125982 0.2110692 0.18316042 0.2542913 0.1388810
#2 0.2101165 0.1041655 0.26694618 0.2926508 …

我想从具有三个值（例如 ）的多项分布生成大小为 20 的样本1,2 and 3。例如，样本可以是这样的sam=(1,2,2,2,2,3,1,1,1,3,3,3,2,1,2,3,...1)

下面的代码可以工作，但没有得到预期的结果

> rmultinom(20,3,c(0.4,0.3,0.3))+1
     [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14] [,15] [,16] [,17] [,18] [,19] [,20]
[1,]    1    1    3    2    2    1    1    2    3     2     3     2     1     2     2     3     1     2     2     2
[2,]    2    1    2    1    3    2    4    2    1     2     2     1     1     2     1     2     3     2     3     3
[3,]    3    4    1    3    1 …

如何在 R 中拟合序数（3 个级别）逻辑混合效应模型？我想它就像一个 glmer，除了三个结果级别之外。

数据结构

patientid    Viral_load     Adherence     audit_score     visit
1520         0              optimal       nonhazardous       1
1520         0              optimal       nonhazardous       2
1520         0              optimal       hazardous          3
1526         1              suboptimal    hazardous          1
1526         0              optimal       hazardous          2
1526         0              optimal       hazardous          3
1568         2              suboptimal    hazardous          1
1568         2              suboptimal    nonhazardous       2
1568         2              suboptimal    nonhazardous       3

其中病毒载量（感兴趣的结果）由三个级别（0、1、2）组成，依从性 - 最佳/次优、审核评分无危险/危险以及 3 次就诊。

这是使用广义混合效果模型代码的模型外观的示例。

library (lme4)
test <- glmer(viral_load ~ audit_score + adherence + (1|patientid) + (1|visit), data = df,family = binomial) …

我刚开始学习 Python。这是一个数据框：

a=pd.DataFrame({'A1':[0,1,2,3,2,1,6,0,1,1,7,10]})

现在我认为这些数据遵循多项式分布。因此，12 个数字表示 12 个类别（类别 0、1、2...）的频率。例如，类别0的出现次数为0。因此，我希望在给定这些数据的情况下找到多项式的所有参数。最后，我们有多项式的最佳参数（或者我们可以说每个数字的最佳概率）。例如，

category:    0,      1,     2,     3,      4...
weights:    0.001,  0.1,   0.2,   0.12,   0.2...

所以，我不需要测试数据来预测。这不是分类。作为一个新手，我什至不确定我是否应该使用 scipy.stats.multinomial 或 sklearn 模型，或者其他一些技术。那么，有人能给我一些帮助吗？

我有以下数据集如下所示.500和900之间的任何值被归类为A,而在900和~1500之间的值在A和B之间混合.我想找到在任何x值处得到A,B和C的概率,其中x是我的自变量和A,B,C是我的因变量.它似乎非常适合多项Logistic回归.我相信每个因变量的观测数量就足够了.如果多项式日志回归是合适的,我希望使用Python的scikit学习逻辑回归模块来获得任何x值的A,B和C的概率,但我不知道如何使用该模块来解决这个问题.