Ajustement d'une courbe gaussienne modifiée exponentielle à des données avec Python

Question

J'ai un ensemble de données et une estimation de densité de noyau pour ces données. Je crois que le KDE devrait être raisonnablement bien décrit par un exponentinally modified Gaussian, donc j'essaie d'échantillonner à partir de KDE et d'ajuster ces échantillons avec une fonction de ce type. Cependant, lorsque j'essaie d'utiliser scipy.optimize.curve_fit, mon ajustement ne correspond pas du tout aux données. Mon code est

import scipy.special as sse 
from scipy.optimize import curve_fit 

def fit_func(x, l, s, m): 
    return 0.5*l*n.exp(0.5*l*(2*m+l*s*s-2*x))*sse.erfc((m+l*s*s-x)/(n.sqrt(2)*s)) # exponential gaussian 

popt, pcov = curve_fit(fit_func, n.linspace(0,1,100), data) 

Mon « jeu de données » (de l'échantillonnage mon KDE) est

data = [1.00733940e-09, 1.36882036e-08, 1.44555907e-07, 1.18647634e-06, 7.56926695e-06, 3.75417381e-05, 1.44836578e-04, 4.35259159e-04, 1.02249858e-03, 1.89480681e-03, 2.83377851e-03, 3.60624100e-03, 4.30392052e-03, 5.33527267e-03, 6.95313891e-03, 8.89175932e-03, 1.05631739e-02, 1.15411608e-02, 1.18087942e-02, 1.16473841e-02, 1.14907524e-02, 1.20296850e-02, 1.42949235e-02, 1.90939074e-02, 2.59260288e-02, 3.27250866e-02, 3.73294844e-02, 3.92476016e-02, 3.94803903e-02, 3.88736022e-02, 3.76397612e-02, 3.65042464e-02, 3.72842810e-02, 4.19404962e-02, 5.12185577e-02, 6.39393269e-02, 7.75139966e-02, 8.97085567e-02, 1.00200355e-01, 1.10354564e-01, 1.22123289e-01, 1.37876215e-01, 1.60232917e-01, 1.90218800e-01, 2.25749072e-01, 2.63342328e-01, 3.01468733e-01, 3.41685959e-01, 3.86769102e-01, 4.38219405e-01, 4.95491603e-01, 5.56936603e-01, 6.20721893e-01, 6.85160043e-01, 7.49797233e-01, 8.17175672e-01, 8.92232359e-01, 9.78276608e-01, 1.07437591e+00, 1.17877517e+00, 1.29376679e+00, 1.42302331e+00, 1.56366767e+00, 1.70593547e+00, 1.84278471e+00, 1.97546304e+00, 2.10659735e+00, 2.23148403e+00, 2.34113950e+00, 2.43414110e+00, 2.52261228e+00, 2.62487277e+00, 2.75168928e+00, 2.89831664e+00, 3.04838614e+00, 3.18625230e+00, 3.30842825e+00, 3.42373645e+00, 3.53943425e+00, 3.64686003e+00, 3.72464478e+00, 3.75656044e+00, 3.74189870e+00, 3.68666210e+00, 3.58686497e+00, 3.42241586e+00, 3.16910593e+00, 2.81976459e+00, 2.39676519e+00, 1.94507169e+00, 1.51241642e+00, 1.13287316e+00, 8.22421330e-01, 5.82858108e-01, 4.07338019e-01, 2.84100125e-01, 1.98750792e-01, 1.37317714e-01, 9.01427225e-02, 5.35761233e-02] 

et voici mon histogramme des données réelles, KDE en rouge, et ma tentative de mise en place du KDE en noir -

Answer 1

la gaussienne modifiée de façon exponentielle est définie comme étant une distribution asymétrique vers la gauche et en tant que tel, le paramètre de forme ne change pas le directe ion de ce biais.

C'est ce que j'ai essayé.

data.reverse() 
    popt,pcov=(curve_fit(fit_func, n.linspace(0,1,100), data)) 
    fitted_curve=list(fit_func(n.linspace(0,1,100),popt[0],popt[1],popt[2])) 
    data.reverse() 
    fitted_curve.reverse() 

Plot of the data and the fitted curve