numpy笔记整理 multivariate_normal（多元正态分布采样）

最新推荐文章于 2024-10-26 18:39:26 发布

UQI-LIUWJ

最新推荐文章于 2024-10-26 18:39:26 发布

阅读量1.4w

点赞数 9

分类专栏： python库整理文章标签： python

本文链接：https://blog.csdn.net/qq_40206371/article/details/120903076

版权

python库整理专栏收录该内容

334 篇文章

订阅专栏

本文介绍了NumPy库中如何使用`multivariate_normal`函数生成多元正态分布，并通过精度矩阵实现手动采样。重点讲解了均值向量、协方差矩阵的设置，以及如何处理非半正定矩阵的问题。实例演示了从标准正态分布出发转换到指定分布的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 基本用法

np.random.multivariate_normal(
    mean, 
    cov, 
    size=None, 
    check_valid=None, 
    tol=None)

根据均值和协方差矩阵的情况生成一个多元正态分布矩阵

2 参数说明

mean	mean是多维分布的均值，维度为1
cov	协方差矩阵注意：协方差矩阵必须是对称的且需为半正定矩阵；
size	指定生成的正态分布矩阵的维度 eg：若size=(1, 1, 2)，则输出的矩阵的shape即形状为 1X1X2XN（N为mean的长度）
check_valid	这个参数用于决定当cov即协方差矩阵不是半正定矩阵时程序的处理方式。它一共有三个值：warn，raise以及ignore。当使用warn作为传入的参数时，如果cov不是半正定的程序会输出警告但仍旧会得到结果；当使用raise作为传入的参数时，如果cov不是半正定的程序会报错且不会计算出结果；当使用ignore时忽略这个问题即无论cov是否为半正定的都会计算出结果。

3 举例说明

import numpy as np;
mean = (1, 2)
#均值向量
alpha=[[1. , 0. ],
       [0. , 0.5]] 
#精度矩阵，协方差矩阵的倒数
cov=np.linalg.inv(alpha)
#协方差矩阵

x = np.random.multivariate_normal(mean, cov)
x
#array([1.52666855, 1.77005564])


x1 = np.random.multivariate_normal(mean, cov,size=(3,2))
x1 
#一个3*3*N， 即3*2*2的矩阵，每一行表示一个样本
'''
array([[[ 0.34648623, -0.45031679],
        [-0.04902216,  0.76346656]],

       [[ 3.45690489,  1.88220564],
        [-0.20572284,  1.36394544]],

       [[ 0.62486475, -0.56346348],
        [ 1.53072488,  3.5600083 ]]])
'''

4 “手动”采样

看到一种别的思路，从精度矩阵（协方差矩阵的倒数）出发，来进行采样的

数据还是这几个：

import numpy as np;
mean = (1, 2)
#均值向量
alpha=[[1. , 0. ],
       [0. , 0.5]] 
#精度矩阵，协方差矩阵的倒数
cov=np.linalg.inv(alpha)
#协方差矩阵

大致思路是：

我们以一维高斯分布N(μ,σ^2)为例，对于满足这个分布的x，我可以通过这种方式进行归一化： $\frac{x-\mu}{\sigma}$ 。那么相反地，我们从N(0,1)出发的x'，可以通过以下方式转换成满足N(μ,σ^2)的分布： $x'\sigma+\mu$

那么多维的运算就是，我们找到协方差矩阵Σ，然后对他进行cholesky分解（线性代数笔记： Cholesky分解_UQI-LIUWJ的博客-CSDN博客），得到L和L^T，然后用L*X+μ 来采样（这里的X满足N(0,I),+μ操作可能是一个广播操作）

【我们这里使用精度矩阵α来实现的，所以进行cholesky分解前/后，需要进行矩阵求逆操作】

import scipy
src=np.random.normal(size=(2,5))
#从N(0,1)里面采样，每一列是一个样本
print(src)
'''
[[-1.73043484  0.97310463 -1.26852045  0.18902608  0.46363832]
 [ 1.17343672 -1.10486709 -1.19307965  0.72384929 -0.17661455]]
'''

L_upp=scipy.linalg.cholesky(alpha,check_finite = False)
print(L_upp)
#将精度矩阵转换成L*L^T的形式（其中L是下三角矩阵）
'''
[[1.         0.        ]
 [0.         0.70710678]]
'''

x3=scipy.linalg.solve_triangular(
    L_upp,
    src,
    lower=False,
    check_finite = False)
#这里直接用np.linalg.inv(L_upp) @ src 也可以
#找x3，使得L_upp*x3=src

print(x3)
'''
[[-1.73043484  0.97310463 -1.26852045  0.18902608  0.46363832]
 [ 1.65949013 -1.56251802 -1.68726942  1.02367749 -0.24977069]]
'''

x3=x3.T+mean
#加上均值
x3
'''
array([[-0.73043484,  3.65949013],
       [ 1.97310463,  0.43748198],
       [-0.26852045,  0.31273058],
       [ 1.18902608,  3.02367749],
       [ 1.46363832,  1.75022931]])
'''