Python 使用scipy.stats自动拟合并在pdf计算中使用参数

我想让我的程序自动选择具有最佳适应度的分布，并使用此分布的概率密度函数来计算概率

使用

scipy.stats.rv_continuous.fit

获取拟合参数，例如

paras=scipy.stats.norm.fit（数据数组）

使用

scipy.stats.kstest

测试适应性

fitness=scipy.stats.kstest（数据数组，段落）

选择给出最低测试分数的分布

计算概率，例如

scipy.stats.norm.pdf（my_值，段落）

我不确定这是否是一个严格正确的方法来选择最适合的分布。目前它适用于正态分布

我的问题是如何将参数解析为

scipy.stats.rv\u continuous.pdf（）

。对于某些分布，有三个参数是根据

scipy.stats.rv_continuous.fit（）

计算的，包括形状、位置和比例。我试图像这样直接解析

scipy.stats.rv_continuous.pdf(my_values, paras[0], paras[1], paras[2])

这将给我两个值的pdf为一个点

我也试着用这种方式解析

scipy.stats.rv_continuous.pdf(my_values, paras[0], paras[1], paras[2])

但结果却很微妙。有没有人想做这样的事情，遇到同样的问题

---

我的目标是在朴素贝叶斯分类中用更好的分布代替高斯分布，以期提高预测精度。

如果您的主要问题是如何选择最“严格正确的方法来选择最佳拟合分布”，而不是如何在

scipy

中对过程进行编码，你最好问问Hi@GeauxEric，你解决过这个问题吗？我想做一些类似的事情（如果简单分布失败，则移动到各种分布的总和和最终的核密度估计）。变量参数问题的答案是在函数调用中使用

*paras

。除此之外，我认为一个通用的、健壮的解决方案并不是一个微不足道的问题。嗨@Ed Smith，我没有成功地自动解决这个问题。因为我发现几个分布足以描述我的模型，所以我手动传递这些分布的参数。我想我会得到一个类似的解决方案。。。