怎么使用Python實現正態分布、正態分布采樣

小編給大家分享一下怎么使用Python實現正態分布、正態分布采樣，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

多元正態分布(多元高斯分布)

直接從多元正態分布講起。多元正態分布公式如下：

這就是多元正態分布的定義，均值好理解，就是高斯分布的概率分布值最大的位置，進行采樣時也就是采樣的中心點。而協方差矩陣在多維上形式較多。

協方差矩陣

一般來說，協方差矩陣有三種形式，分別稱為球形、對角和全協方差。以二元為例：

為了方便展示不同協方差矩陣的效果，我們以二維為例。(書上截的圖，湊活著看吧，是在不想畫圖了)

其實從這個圖上可以很好的看出，協方差矩陣對正態分布的影響，也就很好明白了這三個協方差矩陣是哪里來的名字了?？梢钥闯?，球形協方差矩陣，會產生圓形(二維)或者球形(三維)的等高線，對角協方差矩陣和全協方差矩陣，會產生橢圓形的等高線。更一般地，在一個D維空間中，球形協方差矩陣，會產生一個D維球面等高線；對角協方差矩陣，會產生一個坐標軸對其的橢球型等高線；全協方差矩陣，會在任意位置產生一個坐標軸對其的橢球型等高線。

當協方差矩陣是球形的或者是對角的，單獨的變量之間是獨立的

協方差分解

時間不足，具體解釋以后再補

下面是協方差分解的原理圖

變量的線性變換(正態分布采樣原理)

python實現

多元正態分布在python的numpy庫中有很方便一個函數：

np.random.multivariate_normal(mean=mean, cov=conv, size=N)

這個函數中，mean代表均值，是在每個維度中的均值。cov代表協方差矩陣，就像上面講的那種形式，協方差矩陣值的大小將決定采樣范圍的大小。size代表需要采樣生成的點數，此時輸出大小為（N*D）的坐標矩陣。

另外，其他參數包括：check_valid，這個參數用于決定當cov即協方差矩陣不是半正定矩陣時程序的處理方式，它一共有三個值：warn，raise以及ignore。當使用warn作為傳入的參數時，如果cov不是半正定的程序會輸出警告但仍舊會得到結果；當使用raise作為傳入的參數時，如果cov不是半正定的程序會報錯且不會計算出結果；當使用ignore時忽略這個問題即無論cov是否為半正定的都會計算出結果

tol：檢查協方差矩陣奇異值時的公差，float類型。

下面是一個小demo

import numpy as np
import matplotlib.pyplot as plt

mean = np.array([2,1])    # 均值
conv = np.array([[0.5, 0.0],  # 協方差矩陣
     [0.0, 0.5]])
axis = np.random.multivariate_normal(mean=mean, cov=conv, size=200)
x, y = np.random.multivariate_normal(mean=mean, cov=conv, size=1000).T

# print(axis[:])

plt.plot(axis[:, 0], axis[:, 1], 'ro')
plt.show()
plt.plot(x, y, 'ro')
plt.show()

注意，單獨取出每個坐標軸的坐標數組時，需要在最后加上.T，否則會報錯 效果展示：

協方差值的大小對采樣的影響：

mean = np.array([2,1])    # 均值
conv = np.array([[0.5, 0.0],  # 協方差矩陣
     [0.0, 0.5]])

conv2 = np.array([[10, 0.0],  # 協方差矩陣
     [0.0, 10]])
axis = np.random.multivariate_normal(mean=mean, cov=conv, size=200)
x, y = np.random.multivariate_normal(mean=mean, cov=conv2, size=200).T

# print(axis[:])

plt.plot(axis[:, 0], axis[:, 1], 'ro')
plt.show()
plt.plot(x, y, 'ro')
plt.show()

效果如下：

這里沒有設定隨機種子店，每次隨機數會有所不同。

以上是“怎么使用Python實現正態分布、正態分布采樣”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！