工具

我們的工具集合包含一些方便使用者使用的函數，以及主要為內部使用而編寫的函數。

除了這個工具目錄之外，其他幾個子套件也有它們自己的工具模組，例如 statsmodels.tsa.tsatools

模組參考

基本工具 tools

這些是基本和雜項工具。完整的匯入路徑是 statsmodels.tools.tools。

tools.add_constant(data[, prepend, has_constant])

在陣列中新增一列 1。

下一組大多是未經單獨測試或測試不足的輔助函數。

tools.clean0(matrix)

刪除零的列：可以節省一些計算虛反矩陣的時間。

tools.fullrank(x[, r])

傳回一個欄跨度與 x 相同的陣列。

tools.isestimable(c, d)

如果 (Q, P) 對比 c 對於 (N, P) 設計 d 是可估計的，則為 True。

tools.recipr(x)

將小於或等於 0 的條目設定為 0 的陣列倒數。

tools.recipr0(x)

將小於 0 的條目設定為 0 的陣列倒數。

tools.unsqueeze(data, axis, oldshape)

取消壓縮已塌陷的陣列。

數值微分

numdiff.approx_fprime(x, f[, epsilon, args, ...])

函數的梯度，如果函數 f 傳回 1 維陣列，則為 Jacobian

numdiff.approx_fprime_cs(x, f[, epsilon, ...])

使用複數步長導數近似計算梯度或 Jacobian

numdiff.approx_hess1(x, f[, epsilon, args, ...])

使用有限差分導數近似計算 Hessian

numdiff.approx_hess2(x, f[, epsilon, args, ...])

使用有限差分導數近似計算 Hessian

numdiff.approx_hess3(x, f[, epsilon, args, ...])

使用有限差分導數近似計算 Hessian

numdiff.approx_hess_cs(x, f[, epsilon, ...])

使用複數步長導數近似計算 Hessian

衡量擬合效能 eval_measures

此模組中的第一組函數是資訊準則的獨立版本，aic bic 和 hqic。帶有 _sigma 後綴的函數將誤差平方和作為引數，那些沒有後綴的函數，則將對數概似 llf 的值作為引數。

第二組函數是衡量擬合或預測效能的指標，它們大多是單行程式碼，可用作輔助函數。所有這些函數都計算兩個陣列之間差異的效能或距離統計量。例如，在蒙地卡羅或交叉驗證的情況下，第一個陣列將是不同複製或抽取的估計結果，而第二個陣列將是真實或觀察到的值。

eval_measures.aic(llf, nobs, df_modelwc)

赤池資訊準則

eval_measures.aic_sigma(sigma2, nobs, df_modelwc)

赤池資訊準則

eval_measures.aicc(llf, nobs, df_modelwc)

使用小樣本校正的赤池資訊準則 (AIC)

eval_measures.aicc_sigma(sigma2, nobs, ...)

使用小樣本校正的赤池資訊準則 (AIC)

eval_measures.bic(llf, nobs, df_modelwc)

貝氏資訊準則 (BIC) 或施瓦茨準則

eval_measures.bic_sigma(sigma2, nobs, df_modelwc)

貝氏資訊準則 (BIC) 或施瓦茨準則

eval_measures.hqic(llf, nobs, df_modelwc)

漢南-奎因資訊準則 (HQC)

eval_measures.hqic_sigma(sigma2, nobs, ...)

漢南-奎因資訊準則 (HQC)

eval_measures.bias(x1, x2[, axis])

偏差，平均誤差

eval_measures.iqr(x1, x2[, axis])

誤差的四分位距

eval_measures.maxabs(x1, x2[, axis])

最大絕對誤差

eval_measures.meanabs(x1, x2[, axis])

平均絕對誤差

eval_measures.medianabs(x1, x2[, axis])

中位數絕對誤差

eval_measures.medianbias(x1, x2[, axis])

中位數偏差，中位數誤差

eval_measures.mse(x1, x2[, axis])

均方誤差

eval_measures.rmse(x1, x2[, axis])

均方根誤差

eval_measures.rmspe(y, y_hat[, axis, zeros])

均方根百分比誤差

eval_measures.stde(x1, x2[, ddof, axis])

誤差的標準差

eval_measures.vare(x1, x2[, ddof, axis])

誤差的變異數
上次更新：2024 年 10 月 03 日