Memaksimalkan Likelihood, Bagian 1

Sebelumnya, kita memilih mean sampel sebagai taksiran parameter model populasi mu. Namun, bagaimana kita tahu bahwa mean sampel adalah penaksir terbaik? Ini agak rumit, jadi mari kita lakukan dalam dua bagian.

Pada Bagian 1, Anda akan menggunakan pendekatan komputasional untuk menghitung log-likelihood dari suatu taksiran tertentu. Lalu, pada Bagian 2, kita akan melihat bahwa ketika Anda menghitung log-likelihood untuk banyak nilai dugaan taksiran, satu dugaan akan menghasilkan likelihood maksimum.

Latihan ini adalah bagian dari kursus

Pengantar Pemodelan Linear di Python

Lihat Kursus

Petunjuk latihan

Hitung mean() dan std() dari sample_distances yang sudah dimuat sebagai nilai dugaan parameter model probabilitas.
Hitung probabilitas untuk setiap distance menggunakan gaussian_model() yang dibangun dari sample_mean dan sample_stdev.
Hitung loglikelihood sebagai sum() dari log() atas probabilitas probs.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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, ____))

Edit dan Jalankan Kode