机器学习之概率分布3
来源:互联网 发布:炸群软件 编辑:程序博客网 时间:2024/06/07 07:17
机器学习-概率分布-高斯分布
接下来介绍最常用的高斯分布,对于一元变量
其中,
对于
高斯分布的参数估计同样也是采用最大似然估计的方法。设有
求
因此,
因此,高斯分布的最大似然估计为:
用python来实现上述的参数估计过程,用scipy包中的multivariate_normal分布来生成样本,再根据这些样本估计高斯分布的参数。理论推导有点繁琐,但代码实现还是非常简单。我个人的建议,我们不仅仅要知道How,更要知道Why。理论的推导实际就是在追溯Why的过程。
代码
估计高斯分布的参数:
from scipy.stats import multivariate_normalimport numpy as npx=multivariate_normal.rvs(mean=[0.3,0.5],cov=[[1,0.5],[0.5,1]],size=10000);#从均值为[0.3,0.5],方差为[[1,0.5],[0.5,1]]的二元高斯分布中生成10000个样本N,d=x.shapemu = np.mean(x,axis=0)#求均值x1=x-np.tile(mu,(N,1))Sigma = np.matmul(x1.transpose(),x1)/N;print(mu)print(Sigma)
- https://en.wikipedia.org/wiki/Matrix_calculus. ↩
阅读全文
0 0
- 机器学习之概率分布3
- 机器学习之概率分布1
- 机器学习之概率分布2
- 机器学习笔记之R语言基础篇3(概率分布1)
- 贝叶斯、概率分布与机器学习
- leftnoteasy:贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 机器学习中的贝叶斯、概率分布
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 机器学习:贝叶斯总结_2:概率分布
- 机器学习: 离散变量的概率分布
- 贝叶斯、概率分布与机器学习
- 机器学习-联合概率分布笔记
- 【机器学习】贝叶斯、概率分布与机器学习
- python学习笔记 第一章
- C++ IO流
- HTML学习总结
- recovery下的init.rc语法解析
- Docker实现CentOS容器SSH远程登录
- 机器学习之概率分布3
- 【GitChat】精选——JavaScript进阶指南
- for循环与for in循环
- 大小不固定的图片和多行文字的垂直水平居中
- ETL利器 Kettle实战应用解析系列(二)
- javaee权限管理shiro无效
- Java;C#/C++与Delphi/C++Builder之区别与联系
- WooCommerce接入支付宝支付功能(二)——WooCommerce中添加新的支付网关
- Java 下载文件,浏览器直接打开,并且PDF再次点击下载时,文件名称设置正确