Question

可能是一个愚蠢的问题，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})

在这种情况下，

mu是一个数组/向量 - stats.norm为生成x 的每个值的正态分布吗？具有多种手段的正态分布意味着什么......（显然我没有得到这个）

最后，是res.x中最佳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loc和scale参数的向量，并将每个输入视为自己的分布。请注意，输入一个参数的矢量和另一个参数的标量是很好的，就像您引用的链接中的情况一样（scale是1而loc是vector 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])

矢量化正态分布python

1 个答案: