ÎncepețiÎncepe gratuit

Maximizarea verosimilității, Partea 1

Anterior, am ales media eșantionului ca estimare a parametrului mu al modelului populației. Dar cum știm că media eșantionului este cel mai bun estimator? Această întrebare este mai delicată, așa că o vom aborda în două părți.

În Partea 1, vei folosi o abordare computațională pentru a calcula log-verosimilitatea unui estimator dat. Apoi, în Partea 2, vom vedea că atunci când calculezi log-verosimilitatea pentru multe valori posibile ale estimatorului, una dintre ele va produce verosimilitatea maximă.

Acest exercițiu face parte din cursul

Introducere în modelarea liniară în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Calculează mean() și std() ale variabilei preîncărcate sample_distances ca valori estimate ale parametrilor modelului probabilistic.
  • Calculează probabilitatea pentru fiecare valoare distance, folosind gaussian_model() construit din sample_mean și sample_stdev.
  • Calculează loglikelihood ca sum() al log()-ului probabilităților probs.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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, ____))
Editează și rulează codul