FitnessFunc#

class astropy.stats.FitnessFunc(p0: float = 0.05, gamma: float | None = None, ncp_prior: float | None = None)[源代码]#

基类：object

贝叶斯基类阻塞适应度函数。

派生类应重载以下方法：

fitness(self, **kwargs) ：

计算给定一组命名参数的适应度。fitness接受的参数必须在 [T_k, N_k, a_k, b_k, c_k] （见 [1] 有关这些参数含义的详细信息）。

此外，其他方法也可能过载：

__init__(self, **kwargs) ：

使用任何超出正常值的参数初始化适应度函数 p0 和 gamma .

validate_input(self, t, x, sigma) ：

启用输入数据的特定检查 (t ， x ， sigma )在安装前进行。

compute_ncp_prior(self, N) 如果 ncp_prior 没有明确定义，

调用此函数是为了在装配之前对其进行定义。这可以从 gamma ， p0 或任何你选择的方法。

p0_prior(self, N) ：

指定给定虚警概率的先验形式 p0 （见 [1] 详情请参阅。

有关实现的适应度函数的示例，请参阅 Events ， RegularEvents 和 PointMeasures .

工具书类

[1] (1,2)

斯卡格尔，J等人。(2013)https://ui.adsabs.harvard.edu/abs/2013ApJ...764..167S

方法总结

compute_ncp_prior \(n)

如果 ncp_prior 未显式定义，则从 gamma 或 p0 .

fit(t[, x, sigma])

在给定的适应度函数下，对贝叶斯块模型进行拟合。

fitness(**kwargs)

p0_prior \(n)

经验先验，以虚警概率为参数 p0 。

validate_input(t[, x, sigma])

验证模型的输入。

方法文件

compute_ncp_prior(N: int) → float[源代码]#

如果 ncp_prior 未显式定义，则从 gamma 或 p0 .

fit(t: ArrayLike, x: ArrayLike | None = None, sigma: ArrayLike | float | None = None) → NDArray[float][源代码]#

在给定的适应度函数下，对贝叶斯块模型进行拟合。

参数:
t : array_likeNumpy：ARRAY_LIKE

数据时间（一维，长度N）

x : array_like ，可选NumPy：ARRAY_LIKE，可选

数据值

sigma : array_like 或 float ，可选NumPy：ARRAY_LIKE或PYTHON：FLOAT，可选

数据错误

返回:
edges : ndarray恩达雷

包含（M+1）条边的数组，用于定义M个最佳箱

fitness(**kwargs)[源代码]#
p0_prior(N: int) → float[源代码]#

经验先验，以虚警概率为参数 p0 。

参见式。《21在斯卡格尔》(2013)

原始的“方程式”里有一个错误。以下更正表格摘自https://arxiv.org/abs/1304.2818

validate_input(t: ArrayLike, x: ArrayLike | None = None, sigma: float | ArrayLike | None = None) → tuple[NDArray[float], NDArray[float], NDArray[float]][源代码]#

验证模型的输入。

参数:
t : array_likeNumpy：ARRAY_LIKE

观察次数

x : array_like ，可选NumPy：ARRAY_LIKE，可选

每次观察值

sigma : float 或 array_like ，可选PYTHON：FLOAT或NumPY：ARRAY_LIKE，可选

值x中的错误

返回:
t, x, sigma : array_like , floatnumpy：array_like，python：float

输入的验证版本或修改版本