ПочатиПочніть безкоштовно

Максимізація правдоподібності, частина 1

Раніше ми обрали вибіркове mean як оцінку параметра моделі генеральної сукупності mu. Але звідки знати, що вибіркове середнє — найкращий оцінювач? Це непросто, тож зробімо це у дві частини.

У частині 1 ви застосуєте обчислювальний підхід, щоб порахувати лог-правдоподібність для заданої оцінки. Далі, у частині 2, ми побачимо, що якщо обчислити лог-правдоподібність для багатьох можливих значень припущення, одне з них дасть максимальну правдоподібність.

Ця вправа є частиною курсу

Вступ до лінійного моделювання в Python

Переглянути курс

Інструкції до вправи

  • Обчисліть mean() і std() попередньо завантаженого sample_distances як припущені значення параметрів імовірнісної моделі.
  • Для кожного distance обчисліть ймовірність за допомогою gaussian_model(), побудованої з sample_mean і sample_stdev.
  • Обчисліть loglikelihood як sum() від log() імовірностей probs.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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, ____))
Редагувати та запускати код