Nano Hash - криптовалюты, майнинг, программирование

построить гистограмму и PDF на одном графике для Пуассона

У меня есть набор данных, который мне нужно проанализировать с помощью регрессии Пуассона. Я пытаюсь построить гистограмму ответов на том же графике, что и в pdf, но не понимаю, как это сделать.

я строю свою гистограмму со следующим кодом: 

library(lattice) 
tot <- mydata[, 1] 
histogram(tot)

и получить красивую гистограмму. Чтобы добавить PDF-файл, я пробовал некоторые коды, приведенные ниже:

xlines <-seq(min(tot),max(tot),length.out=100)  
lines(x = xlines,y=dpois(xlines,21))

Я также пробовал несколько других кодов, но не могу найти работающий...
У кого-нибудь есть предложения?

r histogram poisson
01.06.2017

Ответы:


1

Вы можете начать работу над этим кодом:

library(lattice) 
set.seed(1)
tot <- rpois(100,21)
xlines <- seq(min(tot),max(tot),by=1)
histogram(tot, type="density", 
  panel=function(x, ...){
    panel.histogram(x,...)
    panel.lines(x = xlines, y=dpois(xlines,21), lwd=2, col="red")
  }
)

введите здесь описание изображения

01.06.2017

2

Я думаю, что Ваш вопрос в целом некорректен, поскольку нет большого смысла строить гистограмму и pdf вместе (координаты частотной гистограммы и графика плотности разные). Что вы можете сделать, так это попросить R построить гистограмму в координатах вероятности. Вот небольшой пример набора данных радужной оболочки.

data=iris
x=iris[, 1]
hist(x, freq=F)
lines(density(x))

Что дает Вам:1

Сравните с тем, что Вы делали раньше:

data=iris
x <- iris[, 1]
hist(x, freq=T)
lines(density(x))

Надеюсь, поможет!

01.06.2017
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..