Olabilirliği Maksimize Etme, Bölüm 1

Daha önce, anakütle model parametresi mu için örneklem mean değerini bir tahmin olarak seçmiştik. Peki, örneklem ortalamasının en iyi tahmin edici olduğunu nasıl bilebiliriz? Bu biraz çetrefilli, bu yüzden iki bölümde ilerleyelim.

Bölüm 1'de, verilen bir tahminin log-olabilirliğini hesaplamak için hesaplamalı bir yaklaşım kullanacaksın. Ardından, Bölüm 2'de, birçok olası tahmin değeri için log-olabilirliği hesapladığında, bu tahminlerden birinin en yüksek olabilirliği verdiğini göreceğiz.

Bu egzersiz, kursun bir parçasıdır

Python ile Doğrusal Modellemenin Temelleri

Kursa Göz Atın

Egzersiz talimatları

Olasılık model parametrelerinin tahminleri olarak, önceden yüklenmiş sample_distances için mean() ve std() değerlerini hesapla.
sample_mean ve sample_stdev ile oluşturulan gaussian_model() kullanarak, her bir distance için olasılığı hesapla.
loglikelihood değerini, olasılıkların probs log() değerlerinin sum() toplamı olarak hesapla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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, ____))

Kodu Düzenle ve Çalıştır