知识卡片
随机样本需声明分布与形状
批量随机生成可通过size指定样本形状,并选择正态、均匀、二项、Beta、卡方或Gamma等分布。样本只反映所选模型和参数,数组形状不决定概率分布。书中normal的默认样本是标准正态,不能把一次4×4输出当总体特征验证或固定可复现数值。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 随机样本需声明分布与形状
- · 一次模拟多个随机漫步
- · 直方图和密度图
原书出处 · 3 处
- · 查看原书依据
标准正态分布的4×4样本数组: In [208]: samples = np.random.normal(size=(4, 4)) In [209]: samples Out[209]: array([[ 0.1241, 0.3026, 0.5238, 0.0009], [ 1.3438, -0.7135, -0.8312, -2.3702], [-1.86
- · 查看原书依据
scale=0.25, ...: size=(nwalks, nsteps))
- · 查看原书依据
np.random.normal(10, 2, size=200) # N(10, 4) In [83]: values = Series(np.concatenate([comp1, comp2])) In [84]: values.hist(bins=100, alpha=0.3, color='k', normed=True) Out[84]: <ma
参考来源
- 位置:《利用Python进行数据分析》第4章《随机数生成》(spine277;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0263.html;u100-ch04-041)。
- 结论依据:原文在“标准正态分布”附近的定义、例子或代码支撑本卡核心说明:批量随机生成可通过size指定样本形状,并选择正态、均匀、二项、Beta、卡方或Gamma等分布。边界按已读前提解释;示例未执行。
- 原始内容:标准正态分布的4×4样本数组: In [208]: samples = np.random.normal(size=(4, 4)) In [209]: samples Out[209]: array([[ 0.1241, 0.3026, 0.5238, 0.0009], [ 1.3438, -0.7135, -0.8312, -2.3702], [-1.86
- 位置:《利用Python进行数据分析》第4章《一次模拟多个随机漫步》(spine278;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0264.html;u102-ch04-041)。
- 结论依据:改用正态步长会改变步长分布与过程模型,不能把它当原等概率±1模型的等价实现。
- 原始内容:scale=0.25, ...: size=(nwalks, nsteps))
- 位置:《利用Python进行数据分析》第8章《直方图和密度图》(spine299;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0285.html;u182-ch04-041)。
- 结论依据:第二组均值10、标准差2(方差4),不是标准正态;两组各200组成混合样本,不因图有双峰就证明真实数据也有两个机制。
- 原始内容:np.random.normal(10, 2, size=200) # N(10, 4) In [83]: values = Series(np.concatenate([comp1, comp2])) In [84]: values.hist(bins=100, alpha=0.3, color='k', normed=True) Out[84]: <ma