一种统计参数优化工具
spotp的Python项目详细描述
功能
复杂的形式贝叶斯非正式贝叶斯算法和非贝叶斯算法带来复杂的任务,将它们与给定的模型联系起来。 我们想使这项任务尽可能简单。spotpy软件包的一些功能是:
-
用不同算法对评价数据进行模型拟合。
可用的算法有:
- 蒙特卡洛( mc )
- 马尔可夫链蒙特卡罗( mcmc )
- 最大似然估计( mle )
- 拉丁超立方体采样( lhs )
- 模拟退火( sa )
- 洗牌复杂进化算法( sce-ua )
- 差分进化马尔可夫链算法( de-mcz )
- 差分进化自适应metropolis算法( 梦想 )
- 稳健参数估计( rope )
- 傅里叶振幅灵敏度试验( 快速 )
- 人工蜂群( abc )
- 适应度标度混沌人工蜂群( fscabc )
- 动态尺寸搜索算法( dds )
-
广泛的目标函数(也称为损失函数、适应度函数或能量函数)来验证采样结果。可用功能
- 偏差
- 前中心偏倚( pbias )
- 纳什·萨特克里夫( nse )
- 对数nash-sutcliff( lognse )
- 对数概率( logp )
- 相关系数( r )
- 测定系数( r^2 )
- 均方误差( mse )
- 均方根误差( rmse )
- 平均绝对误差( mae )
- 相对均方根误差( rrmse )
- 协议索引( ai )
- 协方差,分解mse( dmse )
- 克林古普塔效率( kge )
- 非参数kling-gupta效率( kge\u非参数 )
-
验证采样结果的大范围似然函数:
- 对数似然
- 解释测量误差的高斯似然性
- 解释异方差的高斯似然性
- 考虑自相关的可能性
- 广义似然函数
- 拉帕奇可能性
- 假设同质性的歪斜学生可能性
- 假设异方差的偏态学生可能性
- 假设异方差和自相关的偏态学生可能性
- 噪声abc高斯似然
- ABC棚车可能性
- 可接受限度
- 逆误差方差成形因子
- 纳什-萨特克利夫效率形成因子
- 指数变换成形因子
- 绝对误差残差之和
-
用于验证采样结果的各种水文特征函数:
- 坡度
- 洪水/干旱事件
- 水旱频率
- 水旱持续时间
- 水旱变化
- 平均流量
- 中值流量
- 偏度
- 比较百分比排放量
-
预建参数分布函数:
- 制服
- 正常
- 对数正常
- 方块
- 指数型
- 伽马
- 瓦尔德
- 韦尔布尔
- 适用于执行不确定度、灵敏度分析或校准的算法的广泛范围 一个模型。
- 多目标支持
- MPI支持快速并行计算
- 监视采样循环的进度条。使您能够计划您的咖啡刹车。
- 尽可能频繁地使用numpy函数。这会使你的咖啡刹车变短。
- 不同的数据库解决方案: ram 用于快速采样的存储一个简单的, csv 表 用于长时间采样的保存解决方案和用于大型项目的数据库。
- 自动最佳运行选择和绘图
- 参数跟踪绘图
- 包含高斯kde函数的参数相互作用图
- 模拟与评价数据的回归分析
- 后验分布图
- 用Gelman Rubin和Geweke图进行收敛诊断