如何在Python中使用MLE估计高斯分布参数
如何在Python中使用MLE估计高斯分布参数
提问于 2018-07-15 03:29:14
我有一组高斯分布的数据，这是一个直方图，显示了它们的实际外观：
我必须使用贝叶斯分类器将这些数据分类为两类，我正在使用sklearn这样做，它工作得很好。然而，作为工作的一部分，我必须使用最大似然估计估计数据的分布参数(σ，μ)，并在我的分类器中使用它们。
那么，有没有python库或伪代码可以使用最大似然法估计高斯分布参数，以便我可以在分类器中使用估计值？
我在找Matlab语言的mle(data,'distribution',dist)之类的东西。
phat = mle(MPG,'distribution','burr')
phat =
34.6447 3.7898 3.5722回答 1
Stack Overflow用户
发布于 2018-07-15 04:11:31
因此，由于您的数据是多维的(D，在本例中特别是D=15)，您需要对数据的平均值(D维)和协方差(D^2维)进行建模。
您可以使用numpy轻松地实现它，如下所示
import numpy as np
def gaussian_mle(data):
mu = data.mean(axis=0)
var = (data-mu).T @ (data-mu) / data.shape[0] # this is slightly suboptimal, but instructive
return mu, var 为了看看它是否有效，让我们在一些人工数据上运行它：
mean = [1.0, 3.14]
cov = [[2.0, 0.5], [0.5, 10]]
data = np.random.multivariate_normal(mean, cov, 10000)
print(gaussian_mle(data))这为我们提供了自定义格式化之后(因为我们随机抽样，结果可能会略有不同)：
(
array([1.00981014, 3.1217965 ]), # sample mean
array([[2.0266404 , 0.43036865],
[0.43036865, 9.87599803]]) # sample covariance
)页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/51342724
复制相关文章
相似问题