scipy.stats.Mixture.

mode#

Mixture.mode(*, method=None)[源代码]#

众数（最可能的值）

非正式地，众数是随机变量具有最高概率（密度）的假设值。也就是说，众数是支持\(\chi\)的元素，它最大化概率密度（或质量，对于离散随机变量）函数\(f(x)\)

\[\text{mode} = \arg\max_{x \in \chi} f(x)\]
参数:
method{None, ‘formula’, ‘optimization’}

用于评估众数的策略。默认情况下 (None)，基础设施在以下选项之间进行选择，并按优先级顺序排列。

  • 'formula': 使用公式计算中位数

  • 'optimization': 数值上最大化 PDF/PMF

并非所有method选项都适用于所有分布。如果所选的method不可用，则会引发NotImplementedError。

返回:
outarray

众数

参见

mean
median
pdf

注释

对于某些分布

  1. 众数不是唯一的（例如，均匀分布）；

  2. PDF 具有一个或多个奇点，并且奇点是否被认为在域中并称为众数是有争议的（例如，形状参数小于 1 的伽马分布）；和/或

  3. 概率密度函数可能具有一个或多个不是全局最大值的局部最大值（例如，混合分布）。

在这些情况下，mode 将

  1. 返回单个值，

  2. 考虑在奇点处出现众数，和/或

  3. 返回局部最大值，该值可能是也可能不是全局最大值。

如果没有为所选分布专门实现众数公式，SciPy 将尝试以数值方式计算众数，这可能不符合用户首选的众数定义。在这种情况下，鼓励用户子类化分布并覆盖mode。

参考

[1]

Mode (statistics), Wikipedia, https://en.wikipedia.org/wiki/Mode_(statistics)

示例

使用所需的参数实例化分布

>>> from scipy import stats
>>> X = stats.Normal(mu=1., sigma=2.)

评估众数

>>> X.mode()
1.0

如果众数不是唯一定义的，mode 仍然返回单个值。

>>> X = stats.Uniform(a=0., b=1.)
>>> X.mode()
0.5

如果此选择不满足您的要求，请子类化分布并覆盖mode

>>> class BetterUniform(stats.Uniform):
...     def mode(self):
...         return self.b
>>> X = BetterUniform(a=0., b=1.)
>>> X.mode()
1.0
在此页上