本文介绍了方差的两种类型：样本方差和总体方差，强调了它们在数据量和目的上的区别。在PyTorch中，`torch.var`函数可以根据`unbiased`参数计算这两种方差。当`unbiased`为默认的`True`时，计算样本方差；设为`False`时，则计算总体方差。通过示例展示了如何使用该函数并观察其结果。
方差的分类
这两者有显然的区别，为什么会有这个区别呢？
区别有二，这两个区别互相联系，不可分割：
- 数据的多少。上面这个只有一部分样本，而下面这个是有完整数据，即总体，母体。
- 目的。你是要算这部分数据的方差，还是要估计总体的方差。如果是前者，那么使用母体方差公式，如果是后者，使用样本方差公式。
进一步解释：当我们只有一部分样本的时候，显然我们是无法估计出完整数据的方差的（下面这个公式），所以，上面这个公式其实是一个近似估计，但是这个估计的期望是等于完整数据的方差的，即无偏估计。
torch.var
import torch
torch.var两种方差都可以计算，这取决于一个参数，即unbiased，无偏的意思。默认值为true，也就是说，默认的目的是样本估计总体，使用的是上面这个样本方差公式，计算的是样本方差。
我们实战查看如下：
a=torch.tensor([1.0,-1])
torch.var(a)#分母除以的是1.
结果如下：
tensor(2.)
a=torch.tensor([1.0,-1])
torch.var(a,unbiased=False)#分母除以的是2.
结果如下：
tensor(1.)
扫一扫
897
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
