使用 Sympy returns 空列表的最大似然函数
Maximum Likelihood function using Sympy returns empty list
我想创建一个函数,该函数将 return 由最大似然函数计算的估计量。我做的功能如下:
def Maximum_Likelihood(param, pmf):
i = symbols('i', positive=True)
n = symbols('n', positive=True)
Likelihood_function = Product(pmf, (i, 1, n))
# calculate partial derivative for parameter (p for Bernoulli)
deriv = diff(Likelihood_function, param)
equation_to_solve = Eq(deriv,0) # equate with 0
# solve above equation and return parameter (p for Bernoulli)
return solve(equation_to_solve, param)
Param 表示我想知道估算器的参数,pmf 是概率质量函数。
例如,我想获得伯努利分布中参数 p 的估计量。
最大似然应该是这样的:
我的代码。
进口:
import numpy as np
import sympy as sym
from sympy.solvers import solve
from sympy import Product, Function, oo, IndexedBase, diff, Eq, symbols
现在,我使用 Sympy 定义了它:
def Maximum_Likelihood(param, pmf):
i = symbols('i', positive=True)
n = symbols('n', positive=True)
Likelihood_function = Product(pmf, (i, 1, n))
deriv = diff(Likelihood_function, param)
equation_to_solve = Eq(deriv,0)
return solve(equation_to_solve, param)
和伯努利示例:
x = IndexedBase('x')
i = symbols('i', positive=True)
n = symbols('n', positive=True)
formula = (p**x[i])*((1-p)**(1-x[i]))
Likelihood_function = Product(formula, (i, 1, n))
Likelihood_function
当我想获得 Maximum_Likelihood(param, pmf) 的结果时:
param = p
pmf = formula
print(Maximum_Likelihood(param, pmf))
我得到“[]”。
我想获得应该如下所示的 p 估计量:
能否请您看一下并指出我做错了什么。谢谢!
出于某种原因,产品的差异实际上并没有评估导数,但您可以使用 doit
强制评估:
In [14]: solve(Eq(diff(Product(p**x[i]*(1 - p)**(1 - x[i]), (i, 1, n)), p), 0).doit(), p)
Out[14]:
⎡ n ⎤
⎢ ___ ⎥
⎢ ╲ ⎥
⎢ ╲ ⎥
⎢ ╱ x[i]⎥
⎢ ╱ ⎥
⎢ ‾‾‾ ⎥
⎢i = 1 ⎥
⎢──────────⎥
⎣ n ⎦
也就是说 p
的 MLE 估计只是我猜测的数据的样本均值。
我想创建一个函数,该函数将 return 由最大似然函数计算的估计量。我做的功能如下:
def Maximum_Likelihood(param, pmf):
i = symbols('i', positive=True)
n = symbols('n', positive=True)
Likelihood_function = Product(pmf, (i, 1, n))
# calculate partial derivative for parameter (p for Bernoulli)
deriv = diff(Likelihood_function, param)
equation_to_solve = Eq(deriv,0) # equate with 0
# solve above equation and return parameter (p for Bernoulli)
return solve(equation_to_solve, param)
Param 表示我想知道估算器的参数,pmf 是概率质量函数。
例如,我想获得伯努利分布中参数 p 的估计量。 最大似然应该是这样的:
我的代码。 进口:
import numpy as np
import sympy as sym
from sympy.solvers import solve
from sympy import Product, Function, oo, IndexedBase, diff, Eq, symbols
现在,我使用 Sympy 定义了它:
def Maximum_Likelihood(param, pmf):
i = symbols('i', positive=True)
n = symbols('n', positive=True)
Likelihood_function = Product(pmf, (i, 1, n))
deriv = diff(Likelihood_function, param)
equation_to_solve = Eq(deriv,0)
return solve(equation_to_solve, param)
和伯努利示例:
x = IndexedBase('x')
i = symbols('i', positive=True)
n = symbols('n', positive=True)
formula = (p**x[i])*((1-p)**(1-x[i]))
Likelihood_function = Product(formula, (i, 1, n))
Likelihood_function
当我想获得 Maximum_Likelihood(param, pmf) 的结果时:
param = p
pmf = formula
print(Maximum_Likelihood(param, pmf))
我得到“[]”。 我想获得应该如下所示的 p 估计量:
能否请您看一下并指出我做错了什么。谢谢!
出于某种原因,产品的差异实际上并没有评估导数,但您可以使用 doit
强制评估:
In [14]: solve(Eq(diff(Product(p**x[i]*(1 - p)**(1 - x[i]), (i, 1, n)), p), 0).doit(), p)
Out[14]:
⎡ n ⎤
⎢ ___ ⎥
⎢ ╲ ⎥
⎢ ╲ ⎥
⎢ ╱ x[i]⎥
⎢ ╱ ⎥
⎢ ‾‾‾ ⎥
⎢i = 1 ⎥
⎢──────────⎥
⎣ n ⎦
也就是说 p
的 MLE 估计只是我猜测的数据的样本均值。