Python中的向量正态分布

Question

也许这是个愚蠢的问题，请见谅，但是从这里来看：

N = 10000
x = 10 + 2*np.random.randn(N)
y = 5 + x + np.random.randn(N)

def neg_loglike(const,coef,std):
    mu = const + coef*x
    print(mu.shape)
    return -1*stats.norm(mu, std).logpdf(y).sum()

seed = np.array([1,1,1])
res = minimize(neg_loglike, seed, method = 'Nelder-Mead', 
            options={'disp': True})

在这种情况下，mu是一个数组/向量，而stats.norm是否为每个x值生成正态分布？正态分布具有多个均值意味着什么...（显然我没有理解这一点）

最后，对res.x中最优值的正确解释是这些参数生成一组正态分布，最大化在分布中看到y的概率吗？

- RSHAP

Answer 1

是的，norm 接受 loc 和 scale 参数的向量，并将每个输入视为其自己的分布。请注意，对于一个参数输入向量，另一个参数输入标量也可以，就像您引用的链接中一样（其中scale 是 1，loc 是向量 x）。

例如：

from scipy.stats import norm

norm(loc=[1,2,3], scale=1).logpdf([4,5,6])

输出：

array([-5.41893853, -5.41893853, -5.41893853])

- andrew_reece

---

{btsdaf} - RSHAP

{btsdaf} - andrew_reece

{btsdaf} - andrew_reece