शुरू करेंमुफ़्त में शुरू करें

Likelihood अधिकतम करना, भाग 1

पहले, हमने population मॉडल के पैरामीटर mu के अनुमान के लिए सैंपल mean चुना था. लेकिन हमें कैसे पता कि sample mean सबसे अच्छा estimator है? यह थोड़ा पेचीदा है, तो इसे दो भागों में करते हैं.

भाग 1 में, आप किसी दिए गए अनुमान के लिए log-likelihood को compute करने के लिए कम्प्यूटेशनल तरीका अपनाएँगे. फिर, भाग 2 में, हम देखेंगे कि जब आप अनुमान के कई संभावित guess मानों के लिए log-likelihood compute करते हैं, तो एक guess अधिकतम likelihood देगा.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Linear Modeling परिचय

पाठ्यक्रम देखें

अभ्यास निर्देश

  • preloaded sample_distances का mean() और std() compute करके probability मॉडल के पैरामीटर्स के guessed values लें.
  • sample_mean और sample_stdev से बने gaussian_model() का उपयोग करके, हर distance के लिए probability compute करें.
  • probs की log() लेकर उनकी sum() के रूप में loglikelihood compute करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Compute sample mean and stdev, for use as model parameter value guesses
mu_guess = np.____(sample_distances)
sigma_guess = np.____(sample_distances)

# For each sample distance, compute the probability modeled by the parameter guesses
probs = np.zeros(len(sample_distances))
for n, distance in enumerate(sample_distances):
    probs[n] = gaussian_model(____, mu=____, sigma=____)

# Compute and print the log-likelihood as the sum() of the log() of the probabilities
loglikelihood = np.____(np.____(probs))
print('For guesses mu={:0.2f} and sigma={:0.2f}, the loglikelihood={:0.2f}'.format(mu_guess, sigma_guess, ____))
कोड संपादित करें और चलाएँ