scipy.stats.qmc.

QMCEngine#

class scipy.stats.qmc.QMCEngine(d, *, optimization=None, seed=None)[源代码][源代码]#

一个通用的准蒙特卡罗采样器类，用于子类化。

QMCEngine 是一个用于构建特定准蒙特卡罗采样器的基类。它不能直接用作采样器。

参数:
d整数

参数空间的维度。

优化{None, “random-cd”, “lloyd”}, 可选

是否使用优化方案来提高采样后的质量。请注意，这是一个后处理步骤，不保证样本的所有属性都将被保留。默认值为 None。

  • random-cd: 坐标随机排列以降低中心差异。基于中心差异的最佳样本不断更新。与使用其他差异度量相比，基于中心差异的采样在2D和3D子投影方面表现出更好的空间填充鲁棒性。

  • lloyd: 使用改进的Lloyd-Max算法扰动样本。该过程收敛于等间距的样本。

Added in version 1.10.0.

种子 : {None, int, numpy.random.Generator}, 可选{None, int,}

如果 seed 是 int 或 None，将使用 np.random.default_rng(seed) 创建一个新的 numpy.random.Generator。如果 seed 已经是 Generator 实例，则使用提供的实例。

方法

fast_forward(n)

将序列快进 n 个位置。

integers(l_bounds, *[, u_bounds, n, ...])

从 l_bounds`（包含）到 `u_bounds`（不包含）之间抽取 `n 个整数，或者如果 endpoint=True，则从 `l_bounds`（包含）到 `u_bounds`（包含）之间抽取。

random([n, workers])

在半开区间 [0, 1) 中绘制 n。

reset()

将引擎重置为基础状态。

注释

按照惯例，样本分布在半开区间 [0, 1) 上。类的实例可以访问以下属性：d 表示维度；rng 表示随机数生成器（用于 seed）。

子类化

在创建新采样器时，通过子类化 QMCEngine，必须重新定义 __init__ 和 random。

  • __init__(d, seed=None): 至少修复维度。如果采样器不利用 ``seed``（如 Halton 这样的确定性方法），则可以省略此参数。

  • _random(n, *, workers=1): 从引擎中抽取 n 。workers 用于并行处理。参见 Halton 示例。

可选地，子类可以重写另外两种方法：

  • reset: 将引擎重置为其原始状态。

  • fast_forward: 如果序列是确定性的（如 Halton 序列），那么 fast_forward(n) 是跳过前 n 次抽取。

示例

要基于 np.random.random 创建一个随机采样器，我们可以执行以下操作：

>>> from scipy.stats import qmc
>>> class RandomEngine(qmc.QMCEngine):
...     def __init__(self, d, seed=None):
...         super().__init__(d=d, seed=seed)
...
...
...     def _random(self, n=1, *, workers=1):
...         return self.rng.random((n, self.d))
...
...
...     def reset(self):
...         super().__init__(d=self.d, seed=self.rng_seed)
...         return self
...
...
...     def fast_forward(self, n):
...         self.random(n)
...         return self

在子类化 QMCEngine 以定义我们想要使用的采样策略后，我们可以创建一个实例来进行采样。

>>> engine = RandomEngine(2)
>>> engine.random(5)
array([[0.22733602, 0.31675834],  # random
       [0.79736546, 0.67625467],
       [0.39110955, 0.33281393],
       [0.59830875, 0.18673419],
       [0.67275604, 0.94180287]])

我们也可以重置生成器的状态并重新采样。

>>> _ = engine.reset()
>>> engine.random(5)
array([[0.22733602, 0.31675834],  # random
       [0.79736546, 0.67625467],
       [0.39110955, 0.33281393],
       [0.59830875, 0.18673419],
       [0.67275604, 0.94180287]])
On this page