Maksymalizacja wiarygodności – część 2

W części 1 obliczyłeś pojedynczą log-wiarygodność dla jednego mu. W części 2 użyjesz predefiniowanej funkcji compute_loglikelihood(), aby wyliczyć tablicę wartości log-wiarygodności – po jednej dla każdego elementu tablicy możliwych wartości mu.

Celem jest wskazanie tej jednej wartości mu, która daje maksymalną wartość w tablicy log-wiarygodności.

Na początek skorzystaj z wczytanych danych sample_distances, sample_mean, sample_stdev oraz funkcji pomocniczej compute_loglikelihood().

To ćwiczenie jest częścią kursu

Wprowadzenie do modelowania liniowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz mu_guesses, przyjmując wartości wyśrodkowane na sample_mean i rozłożone zgodnie z sample_stdev.
Dla każdej wartości mu_guess z mu_guesses użyj compute_loglikelihood() dla wszystkich sample_distances, utrzymując sigma na stałym poziomie równym sample_stdev.
Znajdź maksymalną wartość w tablicy loglikelihoods i użyj jej indeksu, aby wskazać best_mu spośród mu_guesses.
Wydrukuj best_mu i zwizualizuj wynik, tworząc wykres loglikelihoods.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create an array of mu guesses, centered on sample_mean, spread out +/- by sample_stdev
low_guess = sample_mean - 2*sample_stdev
high_guess = sample_mean + 2*sample_stdev
mu_guesses = np.linspace(____, ____, 101)

# Compute the loglikelihood for each model created from each guess value
loglikelihoods = np.zeros(len(mu_guesses))
for n, mu_guess in enumerate(____):
    loglikelihoods[n] = compute_loglikelihood(____, mu=____, sigma=sample_stdev)

# Find the best guess by using logical indexing, the print and plot the result
best_mu = mu_guesses[loglikelihoods==np.max(____)]
print('Maximum loglikelihood found for best mu guess={}'.format(____))
fig = plot_loglikelihoods(mu_guesses, loglikelihoods)

Edytuj i uruchom kod