估计二项分布的参数以用作机器学习特征
Estimating parameters of binomial distribution to use as machine learning features
我正在处理遗传数据，其中等位基因在 t 条测序的染色体中被观察到 n 次。也就是说，在t次试验中n次成功。
我想将每个等位基因频率的估计作为机器学习算法中的一个特征。我当然可以用 n/t 得到点估计，但我想表示该点估计的置信度——即关于该估计的可能性的一些东西。
现在，我相信负二项式（或只是二项式）分布是正确的选择，但是
- 如何估计 Python 中的分布参数？
- 哪种分布表示形式最适合作为经典（非 NN）机器学习的特征？保守估计可能是 95% CI 上限，但我将如何计算它，是否有比只取那个值更好的方法来特征化分布？
谢谢！
我想您需要的所有必需信息都可以通过标准统计方法计算出来，而无需应用机器学习。
二项分布参数 p 的 MLE 估计
Bin(t,p) 只是 n/t 正如您正确建议的那样。如果您想获得置信区间而不是点估计，有一种方法可以通过
瓦尔德法:
其中 z 是 1 - 0.5α 标准正态分布的分位数。根据您的建模假设，您可以通过以下 link 找到更多可能性：Binomial confidence intervals.
95% CI for p̂ 可以用 z = 1.96.
至于机器学习算法的特征工程：因为你的参数分布基本上只依赖于一个估计参数p（给定的 t 除外），您可以直接将其用作唯一分布表示的特征。当然，也可以添加 CI 或方差作为附加功能。一切都取决于你到底要学什么，以及你的最终 objective/criterion 是什么。
Binoculars 实现了许多计算二项式置信区间的方法。 （PS：我是双筒望远镜的作者）。
pip install bincoulars
如果N=(total chromosomes sequenced)和p=(number of times allele is observed / N)，你可以直接估计置信区间：
from binoculars import binomial_confidence
N, p = 100, 0.2
binomial_confidence(p, N)
# (0.1307892803998113, 0.28628125447599173)
我正在处理遗传数据，其中等位基因在 t 条测序的染色体中被观察到 n 次。也就是说，在t次试验中n次成功。
我想将每个等位基因频率的估计作为机器学习算法中的一个特征。我当然可以用 n/t 得到点估计，但我想表示该点估计的置信度——即关于该估计的可能性的一些东西。
现在，我相信负二项式（或只是二项式）分布是正确的选择，但是
- 如何估计 Python 中的分布参数？
- 哪种分布表示形式最适合作为经典（非 NN）机器学习的特征？保守估计可能是 95% CI 上限，但我将如何计算它，是否有比只取那个值更好的方法来特征化分布？
谢谢！
我想您需要的所有必需信息都可以通过标准统计方法计算出来，而无需应用机器学习。
二项分布参数 p 的 MLE 估计 Bin(t,p) 只是 n/t 正如您正确建议的那样。如果您想获得置信区间而不是点估计，有一种方法可以通过 瓦尔德法:
其中 z 是 1 - 0.5α 标准正态分布的分位数。根据您的建模假设，您可以通过以下 link 找到更多可能性：Binomial confidence intervals.
95% CI for p̂ 可以用 z = 1.96.
至于机器学习算法的特征工程：因为你的参数分布基本上只依赖于一个估计参数p（给定的 t 除外），您可以直接将其用作唯一分布表示的特征。当然，也可以添加 CI 或方差作为附加功能。一切都取决于你到底要学什么，以及你的最终 objective/criterion 是什么。
Binoculars 实现了许多计算二项式置信区间的方法。 （PS：我是双筒望远镜的作者）。
pip install bincoulars
如果N=(total chromosomes sequenced)和p=(number of times allele is observed / N)，你可以直接估计置信区间：
from binoculars import binomial_confidence
N, p = 100, 0.2
binomial_confidence(p, N)
# (0.1307892803998113, 0.28628125447599173)