กวดวิชาNumPy

NumPy HOME แนะนำ NumPy NumPy เริ่มต้นใช้งาน NumPy การสร้างอาร์เรย์ การจัดทำดัชนี NumPy Array NumPy Array Slicing ประเภทข้อมูล NumPy NumPy Copy เทียบกับ View NumPy Array Shape การปรับรูปร่าง NumPy Array NumPy Array Iterating NumPy Array เข้าร่วม NumPy Array Split ค้นหาอาร์เรย์ NumPy NumPy Array Sort ตัวกรองอาร์เรย์ NumPy

NumPyสุ่ม

สุ่มอินโทร การกระจายข้อมูล การเรียงสับเปลี่ยนแบบสุ่ม โมดูล Seaborn การกระจายแบบปกติ การกระจายทวินาม จำหน่ายปลา กระจายสม่ำเสมอ การกระจายโลจิสติกส์ การกระจายพหุนาม การกระจายแบบเอกซ์โพเนนเชียล จิสแควร์ ดิสทริบิวชั่น การกระจาย Rayleigh พาเรโต้ ดิสทริบิวชั่น การกระจาย Zipf

NumPy ufunc

ufunc Intro ufunc สร้างฟังก์ชัน ufunc เลขคณิตอย่างง่าย ufunc การปัดเศษทศนิยม ufunc บันทึก ufunc ผลรวม ผลิตภัณฑ์ ufunc ufunc ความแตกต่าง ufunc ค้นหา LCM ufunc กำลังหา GCD ufunc ตรีโกณมิติ ufunc ไฮเปอร์โบลิก ufunc Set Operations

แบบทดสอบ/แบบฝึกหัด

แบบทดสอบ NumPy แบบฝึกหัด NumPy

การกระจายโลจิสติกส์


การกระจายโลจิสติกส์

Logistic Distribution ใช้เพื่ออธิบายการเติบโต

ใช้กันอย่างแพร่หลายในการเรียนรู้ของเครื่องในการถดถอยโลจิสติก โครงข่ายประสาทเทียม เป็นต้น

มันมีสามพารามิเตอร์:

loc- หมายถึงจุดสูงสุดอยู่ที่ไหน ค่าเริ่มต้น 0

scale- ส่วนเบี่ยงเบนมาตรฐานความเรียบของการกระจาย ค่าเริ่มต้น 1

size- รูปร่างของอาร์เรย์ที่ส่งคืน

ตัวอย่าง

วาดตัวอย่าง 2x3 จากการกระจายโลจิสติกด้วยค่าเฉลี่ยที่ 1 และ stddev 2.0:

from numpy import random

x = random.logistic(loc=1, scale=2, size=(2, 3))

print(x)

การแสดงภาพการกระจายโลจิสติกส์

ตัวอย่าง

from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns

sns.distplot(random.logistic(size=1000), hist=False)

plt.show()

ผลลัพธ์


ความแตกต่างระหว่างลอจิสติกส์และการกระจายแบบปกติ

การแจกแจงทั้งสองแบบใกล้เคียงกัน แต่การกระจายโลจิสติกมีพื้นที่ใต้หางมากกว่า เช่น. มันแสดงถึงความเป็นไปได้ที่จะเกิดขึ้นของเหตุการณ์ที่อยู่ไกลจากค่าเฉลี่ยมากขึ้น

สำหรับค่าสเกลที่สูงกว่า (ค่าเบี่ยงเบนมาตรฐาน) การแจกแจงแบบปกติและแบบลอจิสติกส์จะใกล้เคียงกันยกเว้นยอด

ตัวอย่าง

from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns

sns.distplot(random.normal(scale=2, size=1000), hist=False, label='normal')
sns.distplot(random.logistic(size=1000), hist=False, label='logistic')

plt.show()

ผลลัพธ์