Definieren der UpdateDist-Klasse
Als nächstes definieren wir eine Klasse namens UpdateDist, die verwendet werden soll, um die Beta-Verteilung bei Beobachtung neuer Daten zu aktualisieren. Die UpdateDist-Klasse nimmt zwei Argumente entgegen: das Matplotlib-Achsenobjekt und die anfängliche Erfolgswahrscheinlichkeit.
class UpdateDist:
def __init__(self, ax, prob=0.5):
self.success = 0
self.prob = prob
self.line, = ax.plot([], [], 'k-')
self.x = np.linspace(0, 1, 200)
self.ax = ax
## Set up plot parameters
self.ax.set_xlim(0, 1)
self.ax.set_ylim(0, 10)
self.ax.grid(True)
## This vertical line represents the theoretical value, to
## which the plotted distribution should converge.
self.ax.axvline(prob, linestyle='--', color='black')
Die __init__-Methode initialisiert die Klasseninstanz, indem sie die anfängliche Anzahl der Erfolge auf Null setzt (self.success = 0) und die anfängliche Erfolgswahrscheinlichkeit auf den als Argument übergebenen Wert (self.prob = prob). Wir erstellen auch ein Linienobjekt, um die Beta-Verteilung darzustellen, und legen die Diagrammeinstellungen fest.
Die __call__-Methode wird jedes Mal aufgerufen, wenn die Animation aktualisiert wird. Sie simuliert ein Münzwurfexperiment und aktualisiert die Beta-Verteilung entsprechend.
def __call__(self, i):
## This way the plot can continuously run and we just keep
## watching new realizations of the process
if i == 0:
self.success = 0
self.line.set_data([], [])
return self.line,
## Choose success based on exceed a threshold with a uniform pick
if np.random.rand() < self.prob:
self.success += 1
y = beta_pdf(self.x, self.success + 1, (i - self.success) + 1)
self.line.set_data(self.x, y)
return self.line,
Wenn dies der erste Frame der Animation ist (if i == 0), setzen wir die Anzahl der Erfolge auf Null zurück und löschen das Linienobjekt. Andernfalls simulieren wir ein Münzwurfexperiment, indem wir eine Zufallszahl zwischen 0 und 1 generieren (np.random.rand()) und sie mit der Erfolgswahrscheinlichkeit (self.prob) vergleichen. Wenn die Zufallszahl kleiner als die Erfolgswahrscheinlichkeit ist, zählen wir es als Erfolg und aktualisieren die Beta-Verteilung mit der beta_pdf-Funktion. Schließlich aktualisieren wir das Linienobjekt mit den neuen Daten und geben es zurück.
