我想做一些可能非常简单，但给我带来困难的事情。尝试从多元正态分布中抽取N样本，并计算每个随机抽取样本的概率。在这里，我尝试使用scipy，但我也愿意使用np.random.multivariate_normal。这是最简单的。
>>> import numpy as np
>>> from scipy.stats import multivariate_normal
>>> num_samples = 10
>>> num_features = 6
>>> std = np.random.rand(num_features)
# define distribution
>>> mvn = multivariate_normal(mean = np.zeros(num_features), cov = np.diag(std), allow_singular = False, seed = 42)
# draw samples
>>> sample = mvn.rvs(size = num_samples); sample
# determine probability of each drawn sample
>>> prob = mvn.pdf(x = sample)
# print samples
>>> print(sample)
[[ 0.04816243 -0.00740458 -0.00740406 0.04967142 -0.01382643 0.06476885]
...
[-0.00977815 0.01047547 0.03084945 0.10309995 0.09312801 -0.08392175]]
# print probability all samples
[26861.56848337 17002.29353025 2182.26793265 3749.65049331
42004.63147989 3700.70037411 5569.30332186 16103.44975393
14760.64667235 19148.40325233]字符串
这让我感到困惑，原因有几个：
- 对于
rvs采样函数：我没有在docs中使用关键字参数mean和cov，因为在mvn = multivariate_normal(mean = np.zeros(num_features), cov = np.diag(std), allow_singular = False, seed = 42)中定义一个mean和cov的分布，然后在rvs调用中重复该定义似乎很奇怪。 - 对于
mvn.pdf调用，概率密度显然是>1，这对于连续多元正态分布来说并非不可能，但我想将这些数字转换为特定点的近似概率。
谢谢你，谢谢
1条答案
按热度按时间agxfikkp1#
我没有在文档中使用关键字arguments mean和cov.我错过了什么吗？
不，你所做的是允许的。发行版的设计允许调用带参数的方法（正如你在文档中所读到的那样），也允许“冻结”带参数的发行版和调用不带参数的方法。这些是等价的：
字符串
我想把这些数字转换成那个特定点的近似概率。我怎么做呢？.我想计算样本值的特定范围内的概率。
您可以定义一个边长为
eps的超立方体，并计算该超立方体内的累积密度（使用SciPy 1.10.0+）。型
你可以通过将概率密度乘以超立方体的体积得到近似相同的结果：
型
如果你喜欢超球面区域，你可以乘以超球面的体积，而不是超立方体的体积。对于一个6维空间，超球面的直径为
eps，vol = np.pi**3/6 * (eps/2)**6。