主頁 > 知識庫 > 從np.random.normal()到正態(tài)分布的擬合操作

從np.random.normal()到正態(tài)分布的擬合操作

熱門標(biāo)簽:北瀚ai電銷機器人官網(wǎng)手機版 儋州電話機器人 北京電銷外呼系統(tǒng)加盟 市場上的電銷機器人 所得系統(tǒng)電梯怎樣主板設(shè)置外呼 地圖標(biāo)注面積 朝陽手機外呼系統(tǒng) 小蘇云呼電話機器人 佛山400電話辦理

先看偉大的高斯分布(Gaussian Distribution)的概率密度函數(shù)(probability density function):

對應(yīng)于numpy中:

numpy.random.normal(loc=0.0, scale=1.0, size=None)

參數(shù)的意義為:

loc:float

此概率分布的均值(對應(yīng)著整個分布的中心centre)

scale:float

此概率分布的標(biāo)準(zhǔn)差(對應(yīng)于分布的寬度,scale越大越矮胖,scale越小,越瘦高)

size:int or tuple of ints

輸出的shape,默認(rèn)為None,只輸出一個值

我們更經(jīng)常會用到的np.random.randn(size)所謂標(biāo)準(zhǔn)正態(tài)分布

對應(yīng)于np.random.normal(loc=0, scale=1, size)。

采樣(sampling)

# 從某一分布(由均值和標(biāo)準(zhǔn)差標(biāo)識)中獲得樣本
mu, sigma = 0, .1
s = np.random.normal(loc=mu, scale=sigma, size=1000)

也可使用scipy庫中的相關(guān)api(這里的類與函數(shù)更符合數(shù)理統(tǒng)計中的直覺):

import scipy.stats as st
mu, sigma = 0, .1
s = st.norm(mu, sigma).rvs(1000)

校驗均值和方差:

>>> abs(mu  np.mean(s))  .01
True
>>> abs(sigma-np.std(s, ddof=1))  .01
True
            # ddof,delta degrees of freedom,表示自由度
            # 一般取1,表示無偏估計,

擬合

我們看使用matplotlib.pyplot便捷而強大的語法如何進行高斯分布的擬合:

import matplotlib.pyplot as plt
count, bins, _ = plt.hist(s, 30, normed=True)
        # normed是進行擬合的關(guān)鍵
        # count統(tǒng)計某一bin出現(xiàn)的次數(shù),在Normed為True時,可能其值會略有不同
plt.plot(bins, 1./(np.sqrt(2*np.pi)*sigma)*np.exp(-(bins-mu)**2/(2*sigma**2), lw=2, c='r')
plt.show()

或者:

s_fit = np.linspace(s.min(), s.max())
plt.plot(s_fit, st.norm(mu, sigma).pdf(s_fit), lw=2, c='r')

np.random.normal()的含義及實例

這是個隨機產(chǎn)生正態(tài)分布的函數(shù)。(normal 表正態(tài))

先看一下官方解釋:

有三個參數(shù)

loc:正態(tài)分布的均值,對應(yīng)著這個分布的中心.代表下圖的μ

scale:正態(tài)分布的標(biāo)準(zhǔn)差,對應(yīng)分布的寬度,scale越大,正態(tài)分布的曲線 越矮胖,scale越小,曲線越高瘦。 代表下圖的σ

size:你輸入數(shù)據(jù)的shape,例子:

下面展示一些 內(nèi)聯(lián)代碼片。

// An highlighted block
a=np.random.normal(0, 1, (2, 4))
print(a)
輸出:
[[-0.29217334  0.41371571  1.26816017  0.46474676]
 [ 1.33271487  0.80162296  0.47974157 -1.49748788]]

看這個圖直觀些:

以下為官方文檔:

以上為個人經(jīng)驗,希望能給大家一個參考,也希望大家多多支持腳本之家。

您可能感興趣的文章:
  • python numpy之np.random的隨機數(shù)函數(shù)使用介紹
  • Numpy中np.random.rand()和np.random.randn() 用法和區(qū)別詳解
  • Numpy之random函數(shù)使用學(xué)習(xí)

標(biāo)簽:江蘇 龍巖 酒泉 定西 云南 寧夏 商丘 金融催收

巨人網(wǎng)絡(luò)通訊聲明:本文標(biāo)題《從np.random.normal()到正態(tài)分布的擬合操作》,本文關(guān)鍵詞  從,np.random.normal,到,正態(tài)分布,;如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題,煩請?zhí)峁┫嚓P(guān)信息告之我們,我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò),涉及言論、版權(quán)與本站無關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《從np.random.normal()到正態(tài)分布的擬合操作》相關(guān)的同類信息!
  • 本頁收集關(guān)于從np.random.normal()到正態(tài)分布的擬合操作的相關(guān)信息資訊供網(wǎng)民參考!
  • 推薦文章