向量化正态分布 python

Question

可能是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})

在这种情况下，

mu 是一个 array/vector - 所以 stats.norm 是否为 每个 x 值生成正态分布？正态分布有多种方式是什么意思...（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 loc 和 scale 参数的向量，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 link 中的情况一样（其中 scale 是 1 和 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])

向量化正态分布 python

Vectorized normal distribution python

python

scipy

normal-distribution

mle