最大化概似，第 1 部分

先前我們選擇樣本的 mean 作為母體模型參數 mu 的估計值。但我們怎麼知道樣本平均數是最好的估計量呢？這不太直觀，所以我們分成兩步來做。

在第 1 部分，你會用計算的方法來求出某個估計值的對數概似。接著在第 2 部分，我們會看到：當你對許多可能的估計值計算對數概似時，會有一個估計使得概似達到最大。

本練習屬於課程

Python 線性建模入門

檢視課程

練習說明

先對已預先載入的 sample_distances 計算 mean() 和 std()，作為機率模型參數的猜測值。
使用由 sample_mean 與 sample_stdev 建立的 gaussian_model()，為每個 distance 計算機率。
將機率 probs 取 log() 後 sum()，得到 loglikelihood。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# 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, ____))

編輯並執行程式碼