python - 向量正态分布python

可能是一个愚蠢的问题，原谅我，但是，

从here：

N = 10000
x = 10 + 2*np.random.randn(N)
y = 5 + x + np.random.randn(N)

def neg_loglike(const,coef,std):
    mu = const + coef*x
    print(mu.shape)
    return -1*stats.norm(mu, std).logpdf(y).sum()

seed = np.array([1,1,1])
res = minimize(neg_loglike, seed, method = 'Nelder-Mead',
            options={'disp': True})

mu在这种情况下是数组/向量-stats.norm是否为x的每个值生成正态分布？正态分布具有多种均值是什么意思……（显然我没有得到）

最后，是res.x中最佳值的正确解释
这些参数生成一组正态分布，该正态分布使在该分布中看到y的可能性最大化。

最佳答案

是的，norm接受一个由loc和scale参数组成的向量，并将每个输入视为自己的分布。请注意，可以为一个参数输入一个向量，为另一个参数输入一个标量，就像您引用的链接中的情况一样（其中scale是1，loc是向量x）。

例如：

from scipy.stats import norm

norm(loc=[1,2,3], scale=1).logpdf([4,5,6])

输出：

array([-5.41893853, -5.41893853, -5.41893853])

关于python - 向量正态分布python，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/46879939/