标签: normal-distribution

什么是在ruby中生成正态分布随机数的代码？

(注意:我回答了我自己的问题,但我会等几天才接受是否有人有更好的答案.)

编辑:

搜索到这一点,我查看了两个搜索产生的SO上的所有页面:

+"正态分布"红宝石

和

+高斯+随机红宝石

在机器学习任务中.我们应该得到一组带有约束的随机wrt正态分布.我们可以获得正态分布数,np.random.normal()但它不提供任何绑定参数.我想知道怎么做？

我正在尝试使用boost :: normal_distribution来生成具有均值0和sigma 1的正态分布.

以下代码不起作用,因为某些值超过或超过-1和1(并且不应该).有人能指出我做错了什么吗？

#include <boost/random.hpp>
#include <boost/random/normal_distribution.hpp>

int main()
{
  boost::mt19937 rng; // I don't seed it on purpouse (it's not relevant)

  boost::normal_distribution<> nd(0.0, 1.0);

  boost::variate_generator<boost::mt19937&, 
                           boost::normal_distribution<> > var_nor(rng, nd);

  int i = 0; for (; i < 10; ++i)
  {
    double d = var_nor();
    std::cout << d << std::endl;
  }
}

我的机器上的结果是:

0.213436
-0.49558
1.57538
-1.0592
1.83927
1.88577
0.604675
-0.365983
-0.578264
-0.634376

如您所见,所有值都不在-1和1之间.

谢谢大家!

编辑:当你有最后期限并且在做练习之前避免研究理论时会发生这种情况.

random.normalvariate()和之间有什么区别random.gauss()？

它们采用相同的参数并返回相同的值,执行基本相同的功能.

我从之前的回答中了解到,这random.gauss()不是线程安全的,但这在这种情况下意味着什么？程序员为什么要关心这个？或者提出,为什么Python的'随机'中包含一个线程安全且非线程安全的版本？

有没有办法在不使用循环的情况下在R中生成具有正态分布随机值的数据集？每个条目将代表具有正态分布的独立随机变量.

当我调用rnorm单个值作为均值时,很明显会发生什么:从Normal(10,1)生成一个值.

y <- rnorm(20, mean=10, sd=1)

但是,我看到传递给整个矢量的例子rnorm(或rcauchy等等); 在这种情况下,我不确定R机器到底做了什么.例如:

a = c(10,22,33,44,5,10,30,22,100,45,97)
y <- rnorm(a, mean=a, sd=1)

有任何想法吗？

我想生成x和y坐标的相关数组,以便测试各种matplotlib绘图方法,但我在某处失败了,因为我不能numpy.random.multivariate_normal给我想要的样本.理想情况下,我希望我的x值介于-0.51和51.2之间,我的y值介于0.33和51.6之间(虽然我认为相等的范围可以,因为我之后可以约束该情节),但我不确定是什么意思(我应该使用0,0？)和协方差值来从函数中获取这些样本.

我正在尝试创建一维数组并使用随机数生成器(高斯生成器生成随机数,方法为70,标准差为10)来填充数组,其中包含0到100之间的至少100个数字.

我将如何在C++中执行此操作？

我想在MATLAB中重现下图:

有两类具有X和Y坐标的点.我想用一个带有一个标准偏差参数的椭圆围绕每个类,它决定了椭圆沿轴线走多远.

这个图是用另一个软件创建的,我不太清楚它是如何计算椭圆的.

这是我用于此图的数据.第一列是第二列 - 第二列 - 第三列 - 第一列.我可以gscatter用来绘制点本身.

A = [
    0   0.89287 1.54987
    0   0.69933 1.81970
    0   0.84022 1.28598
    0   0.79523 1.16012
    0   0.61266 1.12835
    0   0.39950 0.37942
    0   0.54807 1.66173
    0   0.50882 1.43175
    0   0.68840 1.58589
    0   0.59572 1.29311
    1   1.00787 1.09905
    1   1.23724 0.98834
    1   1.02175 0.67245
    1   0.88458 0.36003
    1   0.66582 1.22097
    1   1.24408 0.59735
    1   1.03421 0.88595
    1   1.66279 0.84183
];

gscatter(A(:,2),A(:,3),A(:,1))

仅供参考,这是关于如何绘制椭圆的SO问题.所以,我们只需知道绘制它的所有参数.

更新:

我同意可以将中心计算为X和Y坐标的平均值.可能我必须PRINCOMP对每个类使用主成分分析()来确定角度和形状.仍然在想...

我使用scipy.optimize.fmin_l_bfgs_b来解决高斯混合问题.混合分布的均值通过回归建模,其权重必须使用EM算法进行优化.

sigma_sp_new, func_val, info_dict = fmin_l_bfgs_b(func_to_minimize, self.sigma_vector[si][pj], 
                       args=(self.w_vectors[si][pj], Y, X, E_step_results[si][pj]),
                       approx_grad=True, bounds=[(1e-8, 0.5)], factr=1e02, pgtol=1e-05, epsilon=1e-08)

但有时我在信息词典中收到警告"ABNORMAL_TERMINATION_IN_LNSRCH":

func_to_minimize value = 1.14462324063e-07
information dictionary: {'task': b'ABNORMAL_TERMINATION_IN_LNSRCH', 'funcalls': 147, 'grad': array([  1.77635684e-05,   2.87769808e-05,   3.51718654e-05,
         6.75015599e-06,  -4.97379915e-06,  -1.06581410e-06]), 'nit': 0, 'warnflag': 2}

RUNNING THE L-BFGS-B CODE

           * * *

Machine precision = 2.220D-16
 N =            6     M =           10
 This problem is unconstrained.

At X0         0 variables are exactly at the bounds

At iterate    0    f=  1.14462D-07    |proj g|=  3.51719D-05

           * * …