Ich bin derzeit mit der scipy.optimise.minimise (Methode) einen -log Wahrscheinlichkeit Ausdruck zu minimieren:Performing gleichzeitige fits/Minimierung mit scipy.optimise.minimise()
param_array = np.array([
0.5, # beta1
0.5 # beta2
])
def f(param_array):
great_bayesian = -sum(np.log(binomial.pmf(t_g_c, t_g_t, (param_array[0] + historical_t_g_c)/(param_array[0] + param_array[1] + historical_t_g_t))))
return great_bayesian
beta_opt = optimize.minimize(f,param_array,method='SLSQP', constraints=cons)
Die Methode funktioniert gut, wenn ich möchten eine einzelne Wahrscheinlichkeit über einen einzelnen Datenrahmen minimieren und ermitteln die besten Schätzungen von beta1 und beta2 korrekt.
Allerdings würde ich gerne mehrere Datenrahmen gleichzeitig anpassen und eine Reihe von insgesamt besten Schätzungen für Beta1 und Beta2 erhalten.
Ich kann nicht sehen, wie das geht, aber ich bin sicher, es muss ein gelöstes Problem sein. Jede Anleitung würde sehr geschätzt werden!
Mit "gleichzeitig" beziehen Sie sich auf Multiprozessing? Oder willst du einfach mehr dfs benutzen? Eine Klarstellung wäre hilfreich. – Leo
Ahh, ich sehe was du jetzt fragst. Antwort kommt auf. – Leo