python - 向量化正态分布 python

Question

可能是一个愚蠢的问题，所以请原谅我，但是，

来自here :

N = 10000
x = 10 + 2*np.random.randn(N)
y = 5 + x + np.random.randn(N)

def neg_loglike(const,coef,std):
    mu = const + coef*x
    print(mu.shape)
    return -1*stats.norm(mu, std).logpdf(y).sum()

seed = np.array([1,1,1])
res = minimize(neg_loglike, seed, method = 'Nelder-Mead', 
            options={'disp': True})

mu 在这种情况下是一个数组/向量 - 那么 stats.norm 是否为 x 的每个值生成正态分布？正态分布具有多种均值意味着什么...(显然我不明白)

最后，是对 res.x 中最优值的正确解释 这些参数生成一组正态分布，最大化在分布中看到 y 的概率..？

Answer 1

是的，norm 接受由 loc 和 scale 参数组成的向量，并将每个输入视为其自己的分布。请注意，可以为一个参数输入一个向量，为另一个参数输入一个标量，就像您引用的链接中的情况一样(其中 scale 为 1 且 loc 是向量x)。

例如:

from scipy.stats import norm

norm(loc=[1,2,3], scale=1).logpdf([4,5,6])

输出:

array([-5.41893853, -5.41893853, -5.41893853])