discrepancy#
- scipy.stats.qmc.discrepancy(sample, *, iterative=False, method='CD', workers=1)[source]#
给定样本的差异度。
- 参数:
- samplearray_like (n, d)
计算差异度的样本。
- iterativebool, optional
如果不用于更新差异度,则必须为 False。默认为 False。有关更多详细信息,请参阅注释。
- methodstr, optional
差异度类型,可以是
CD
、WD
、MD
或L2-star
。 有关更多详细信息,请参阅注释。 默认为CD
。- workersint, optional
用于并行处理的 worker 数量。如果给定 -1,则使用所有 CPU 线程。默认为 1。
- 返回:
- discrepancyfloat
差异度。
注释
差异度是一种均匀性标准,用于评估超立方体中大量样本的空间填充。 差异度量化了超立方体上的连续均匀分布与 \(n\) 个不同样本点上的离散均匀分布之间的距离。
值越低,参数空间的覆盖率越好。
对于超立方体的子集集合,差异度是一个子集中样本点的比例与该子集的体积之间的差异。 差异度有不同的定义,对应于不同的子集集合。 一些版本采用子集的均方根差,而不是最大值。
如果均匀性度量满足以下标准,则是合理的 [1]
它在置换因子和/或运行下是不变的。
它在坐标旋转下是不变的。
它不仅可以测量样本在超立方体上的均匀性,还可以测量样本在较低维度超立方体的非空子集上的投影均匀性。
有一些合理的几何意义。
它很容易计算。
它满足 Koksma-Hlawka 类不等式。
它与实验设计中的其他标准一致。
有四种方法可用
CD
:中心差异度 - 子空间涉及超立方体的一个角WD
:环绕差异度 - 子空间可以环绕边界MD
:混合差异度 - CD/WD 之间的混合,覆盖更多标准L2-star
:L2-star 差异度 - 类似于 CD BUT 旋转变体
方法
CD
、WD
和MD
分别实现 [2] 的等式 9、10 和 18 的右手侧; 不取平方根。 另一方面,L2-star
计算 [3] 的等式 10 给出的量,由后续等式实现; 取平方根。最后,使用
iterative=True
,可以计算差异度,就好像我们有 \(n+1\) 个样本一样。 如果我们想向采样中添加一个点并检查哪个候选给出最低的差异度,这将非常有用。 然后,您可以使用update_discrepancy
使用每个候选更新差异度。 此方法比计算大量候选的差异度更快。参考文献
[1]Fang et al. “计算机实验的设计和建模”。 计算机科学和数据分析系列,2006 年。
[2]Zhou Y.-D. 等人 “用于准随机点集的混合差异度”。 复杂性杂志,29 (3-4) , pp. 283-301, 2013.
[3]T. T. Warnock. “低差异点集的计算研究。” 将数论应用于数值分析,学术出版社,pp. 319-343, 1972.
示例
使用差异度计算样本的质量
>>> import numpy as np >>> from scipy.stats import qmc >>> space = np.array([[1, 3], [2, 6], [3, 2], [4, 5], [5, 1], [6, 4]]) >>> l_bounds = [0.5, 0.5] >>> u_bounds = [6.5, 6.5] >>> space = qmc.scale(space, l_bounds, u_bounds, reverse=True) >>> space array([[0.08333333, 0.41666667], [0.25 , 0.91666667], [0.41666667, 0.25 ], [0.58333333, 0.75 ], [0.75 , 0.08333333], [0.91666667, 0.58333333]]) >>> qmc.discrepancy(space) 0.008142039609053464
我们还可以通过使用
iterative=True
以迭代方式计算CD
差异度。>>> disc_init = qmc.discrepancy(space[:-1], iterative=True) >>> disc_init 0.04769081147119336 >>> qmc.update_discrepancy(space[-1], space[:-1], disc_init) 0.008142039609053513