【TensorFlow基本功】正太分布的使用

正態(tài)分布（Normal distribution），也稱“常態(tài)分布”，又名高斯分布（Gaussian distribution）。

成都創(chuàng)新互聯(lián)公司主營龍山網(wǎng)站建設(shè)的網(wǎng)絡(luò)公司,主營網(wǎng)站建設(shè)方案,成都app開發(fā),龍山h5微信小程序開發(fā)搭建,龍山網(wǎng)站營銷推廣歡迎龍山等地區(qū)企業(yè)咨詢

正態(tài)曲線呈鐘型，兩頭低，中間高，左右對稱因其曲線呈鐘形，因此人們又經(jīng)常稱之為鐘形曲線。

在TF中會大量使用到正態(tài)分布，熟練的使用它，也是使用TF的基本功之一。下面來看一下在Python中如何使用。

用numpy來獲取一個標準正態(tài)分布的樣例

一維正太分布如上面定義所說，正如一個“鐘形”

或者如下兩者

和

效果都如之前的圖片

mu控制函數(shù)中心位置左右移動，如下mu=6的場景

sigma=10的場景

記住這個特性，在獲取一維正太分布數(shù)據(jù)時很有幫助。

二維正太分布的公式如下，

二維正太分布使用不一樣的numpy函數(shù)， multivariate_normal

二維標準正太分布如下，不在是一個“鐘”，而像一個“圓”

這里的參數(shù)也有變化。

mean表示二維數(shù)組每一維的均值；是一個（1，2）矩陣。

cov表示二維數(shù)組的 協(xié)方差 ；是一個（2，2）矩陣。

可以看出來mean是圓的圓點，那么是不是改變了mean，圓就會發(fā)生移動呢？ 我們試一下。

那么cov 協(xié)方差代表的意義 也通過實驗來看一下，

如何將已知數(shù)據(jù)用python寫成正態(tài)分布并且畫圖

import?numpy?as?np

import?matplotlib.pyplot?as?plt

y?=?[2,5,7,10,16,23,20,16,9,6,6,3,1,1]

x?=?[59,60,61,62,63,64,65,66,67,68,69,70,71,72]

fig,?ax?=?plt.subplots()

ax.bar(x,?y,?0.3,alpha=0.5,?color='b',label='abc')

plt.axis([55,75,0,25])

ax.set_xlabel('XXX')

ax.set_ylabel('YYY')

ax.set_title('ABC')

ax.legend()

fig.tight_layout()

plt.show()

如何用python求出某已知正態(tài)分布的概率密度

算出平均值和標準差μ、σ，代入正態(tài)分布密度函數(shù)表達式：

f(x) = exp{-(x-μ)2/2σ2}/[√(2π)σ]

給定x值,即可算出f值。