我需要实现加权储层采样。我已经参考了本博客中提到的论文。我想为我的实现编写单元测试用例,并且对如何计算不同元素在储层中的预期概率感到困惑。
我认为它应该对(weight_of_element/weight_of_all_elements)
具有预见性,但这里提到的测试用例以不同的方式计算它。我应该怎么做?
为了编写测试用例,您确实可以估计选择元素的概率。假设您分配了如下权重:
权重 = [1, 5, 8, 2, 5]
现在,您正在执行加权储层采样以绘制一个元素。元素出现在结果中的概率是多少?它们完全(weight_of_element/weight_of_all_elements)
:
prob = [0.048, 0.238, 0.381, 0.095, 0.238]
换句话说,如果重复绘制一个元素 106 次,则应该有第三个元素的 0.381 * 10 6 个实例,第一个元素的 0.048 * 106 个实例,依此类推。当然,大约是。
因此,您可以查看第一个元素在 106 次试验中出现的次数百分比。这必须是大约 (weight_of_first_element/weight_of_all_elements)
.比较这些值,看看它们是否彼此接近。
所以测试用例可能看起来像这样(伪代码):
numTrials = 1000000
histogram = map<int, int>
for i = 1..numTrials:
element = WeightedReservoir.sample(weights, 1) # draw one element
histogram[element]++
for i = 1..len(weights):
real_probability = weights[i] / sum(weights)
observed_probability = histogram[elements[i]] / numTrials
assert(abs(real_probability - observed_probability) <= epsilon) # measuring absolute difference, but you can switch to relative difference
有关 Java 中的特定实现,请参阅此线程。
至于你指出的Cloudera测试,它遵循不同的逻辑(我也在numpy.random.choice的Python包numpy测试中看到了这一点):
- 采样例程本质上是概率性的,即非确定性的;
- 让我们为随机数生成取一个固定的种子值。将此值嵌入到测试用例中。现在它是完全确定性的:多次调用测试用例会产生相同的结果;
- 由于结果是确定性的,我们可以手动获取它(对于小输入)。将预期结果嵌入到测试中。
如果无法控制种子值,则此方法不适合您。