正态分布(Normal distribution),也称“常态分布”,又名高斯分布(Gaussian distribution)。
正态曲线呈钟型,两头低,中间高,左右对称因其曲线呈钟形,因此人们又经常称之为钟形曲线。
在TF中会大量使用到正态分布,熟练的使用它,也是使用TF的基本功之一。下面来看一下在Python中如何使用。
一维正态分布
正态分布公式.PNG
用numpy来获取一个标准正态分布的样例
num = 100000mu = 0sigma = 1s = np.random.normal(mu, sigma, num)
一维正太分布如上面定义所说,正如一个“钟形”
标准正太分布.png
或者如下两者
s = sigma * np.random.randn(num) + mu
和
s = sigma * np.random.standard_normal(num) + mu
效果都如之前的图片
mu控制函数中心位置左右移动,如下mu=6的场景
mu=6.png
sigma=10的场景
sigma=10.png
可见,mu为正数,函数曲线向右移动,反之,向左移动;sigma越大,分布越宽;sigma越小分布越窄。
记住这个特性,在获取一维正太分布数据时很有帮助。
二维正太分布
二维正太分布的公式如下,
二维正态分布公式.PNG
二维正太分布使用不一样的numpy函数,multivariate_normal
num = 40000mean = np.array([0,0]) cov = np.eye(2) ms = np.random.multivariate_normal(mean, cov, num)
二维标准正太分布如下,不在是一个“钟”,而像一个“圆”
二维标准正太分布.png
这里的参数也有变化。
mean表示二维数组每一维的均值;是一个(1,2)矩阵。
cov表示二维数组的协方差;是一个(2,2)矩阵。
可以看出来mean是圆的圆点,那么是不是改变了mean,圆就会发生移动呢? 我们试一下。
num = 40000mean = np.array([4,8]) cov = np.eye(2) ms = np.random.multivariate_normal(mean, cov, num)
圆心在(4,8).png
那么cov协方差代表的意义也通过实验来看一下,
num = 40000mean = np.array([0,0]) cov = np.array([[5,0],[0,1]]) ms = np.random.multivariate_normal(mean, cov, num)
[[5,0],[0,1]]
作者:安安爸Chris
链接:https://www.jianshu.com/p/0963abb476ef
点击查看更多内容
为 TA 点赞
评论
共同学习,写下你的评论
评论加载中...
作者其他优质文章
正在加载中
感谢您的支持,我会继续努力的~
扫码打赏,你说多少就多少
赞赏金额会直接到老师账户
支付方式
打开微信扫一扫,即可进行扫码打赏哦