multivariate_normal 多元正态分布

Posted yanshw

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了multivariate_normal 多元正态分布相关的知识,希望对你有一定的参考价值。

多元正态分布

正态分布大家都非常熟悉了,多元正态分布就是多维数据的正态分布,其概率密度函数为

技术图片

上式为 x 服从 k 元正态分布,x 为 k 维向量;|Σ| 代表协方差矩阵的行列式

 

二维正态分布概率密度函数为钟形曲面,等高线是椭圆线族,并且二维正态分布的两个边缘分布都是一维正态分布,如图

技术图片

 

np.random.multivariate_normal

生成一个服从多元正态分布的数组      【适用于 python3,但在 python2 中也能用】

multivariate_normal(mean, cov, size=None, check_valid=None, tol=None) 

mean:均值,维度为1,必选参数;

cov:协方差矩阵,必选参数;

size: 指定生成矩阵的维度,若size=(1, 1, 2),则输出的矩阵的 shape 即形状为 1X1X2XN(N为mean的长度);

check_valid:可取值 warn,raise以及ignore;

tol:检查协方差矩阵奇异值时的公差,float类型;

 

示例

mean = (1, 2)
cov = [[1, 0], [0, 1]]
x = np.random.multivariate_normal(mean, cov, (2, 2), raise)   # 2x2x2
print(x)   

直接生成数组

 

scipy.stats.multivariate_normal

生成一个多元正态分布

def __call__(self, mean=None, cov=1, allow_singular=False, seed=None)

 

示例-生成多元正态分布

import numpy as np
import scipy.stats as st
import matplotlib.pylab as plt

x, y = np.mgrid[-1:1:.01, -1:1:.01]
pos = np.empty(x.shape + (2,))
pos[:, :, 0] = x; pos[:, :, 1] = y
rv = st.multivariate_normal([0, 0], [[1, 0], [0, 1]])   # 生成多元正态分布
print(rv)       # <scipy.stats._multivariate.multivariate_normal_frozen object at 0x08EDDDB0> 只是生成了一个对象,并没有生成数组
plt.contourf(x, y, rv.pdf(pos))
plt.show()

 

示例-概率密度函数

x = np.linspace(0, 5, 10, endpoint=False)       # 样本
y = st.multivariate_normal.pdf(x, mean=2.5, cov=.5)        # 样本的概率密度函数

plt.plot(x, y)
plt.show()

生成了概率密度曲线

技术图片

 

可用方法

pdf(x, mean=None, cov=1) :概率密度函数

logpdf(x, mean=None, cov=1) :概率密度函数日志

rvs(mean=None, cov=1) :从多元正态分布中随机抽取样本

entropy() :计算多元法线的微分熵

 

 

参考资料:

https://www.cnblogs.com/21207-iHome/p/8039741.html  多元正态分布

https://blog.csdn.net/zch1990s/article/details/80005940  np.random.multivariate_normal方法浅析

https://www.cnblogs.com/wanghui-garcia/p/10763418.html   scipy.stats.multivariate_normal的使用

以上是关于multivariate_normal 多元正态分布的主要内容,如果未能解决你的问题,请参考以下文章

np.random.multivariate_normal方法浅析

numpy.random.multivariate_normal()函数解析

心得三

聚类多元正态分布

多元统计分析05:多元正态分布的假设检验

多元正态分布样本上的 Kmean