来自交叉验证的
This question was migrated，因为可以在堆栈溢出时进行回答。
Migrated 6年前。
您能帮我解决这些问题吗？我正在使用Python
抽样方法
采样（或蒙特卡洛）方法形成了一套通用且有用的技术，这些技术使用随机数来提取有关（多元）分布和函数的信息。在统计机器学习的上下文中，我们最经常关注的是从分布中抽取样本以获取摘要统计的估计值，例如所讨论分布的平均值。
当我们可以在单位间隔（Matlab中的rand或R中的runif）上访问统一（伪）随机数生成器时，可以使用Bishop Sec中描述的变换采样方法。 11.1.1从更复杂的分布中抽取样本。实现指数分布的转换方法
$$ p（y）= \ lambda \ exp（− \ lambda y），y \ geq 0 $$
使用Bishop中第526页底部给出的表达式：切片采样包括用附加变量u扩展z，然后从联合（z，u）空间中绘制样本。
采样方法的关键点是需要多少个样本才能获得可靠的目标数量估计。假设我们有兴趣估算均值，即
$$ \ mu_y = 1 / \ lambda $$
在上面的分布中，我们然后使用样本均值
$$ b_y = \ frac1L \ sum ^ L _ {\ ell = 1} y（\ ell）$$
L个样本中的一个作为我们的估计量。由于我们可以根据需要生成任意多个大小为L的样本，因此我们可以研究此估计值平均如何收敛到真实均值。为了正确地做到这一点，我们需要采取绝对的区别
$$ | \ mu_y − b_y | $$
真实均值$ µ_y $和估计值$ b_y $之间
对多个$ L $值（例如10、100、1000）进行多次重复（例如1000次）的平均。
将期望的绝对偏差绘制为$ L $的函数。
您可以绘制一些预期的绝对偏差的转换值以获得或多或少的直线，这是什么意思？
我是这种统计机器学习的新手，真的不知道如何在Python中实现它。你能帮我吗？
Migrated 6年前。
您能帮我解决这些问题吗？我正在使用Python
抽样方法
采样（或蒙特卡洛）方法形成了一套通用且有用的技术，这些技术使用随机数来提取有关（多元）分布和函数的信息。在统计机器学习的上下文中，我们最经常关注的是从分布中抽取样本以获取摘要统计的估计值，例如所讨论分布的平均值。
当我们可以在单位间隔（Matlab中的rand或R中的runif）上访问统一（伪）随机数生成器时，可以使用Bishop Sec中描述的变换采样方法。 11.1.1从更复杂的分布中抽取样本。实现指数分布的转换方法
$$ p（y）= \ lambda \ exp（− \ lambda y），y \ geq 0 $$
使用Bishop中第526页底部给出的表达式：切片采样包括用附加变量u扩展z，然后从联合（z，u）空间中绘制样本。
采样方法的关键点是需要多少个样本才能获得可靠的目标数量估计。假设我们有兴趣估算均值，即
$$ \ mu_y = 1 / \ lambda $$
在上面的分布中，我们然后使用样本均值
$$ b_y = \ frac1L \ sum ^ L _ {\ ell = 1} y（\ ell）$$
L个样本中的一个作为我们的估计量。由于我们可以根据需要生成任意多个大小为L的样本，因此我们可以研究此估计值平均如何收敛到真实均值。为了正确地做到这一点，我们需要采取绝对的区别
$$ | \ mu_y − b_y | $$
真实均值$ µ_y $和估计值$ b_y $之间
对多个$ L $值（例如10、100、1000）进行多次重复（例如1000次）的平均。
将期望的绝对偏差绘制为$ L $的函数。
您可以绘制一些预期的绝对偏差的转换值以获得或多或少的直线，这是什么意思？
我是这种统计机器学习的新手，真的不知道如何在Python中实现它。你能帮我吗？
最佳答案
您可以采取一些捷径。 Python有一些内置的方法来进行采样，主要是在Scipy库中。我可以推荐位于here的以Python实现此想法的手稿（免责声明：我是作者）。
它是一本更大的书的一部分，但是本孤立的章节介绍了更一般的大数定律+收敛，这就是您要描述的内容。本文讨论的是Poisson随机变量，但是您应该能够使代码适合您自己的情况。
关于python - 采样方式，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/14981933/
10-13 03:55