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..?
最佳答案
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])
关于python - 向量化正态分布 python,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46879939/