以下是官方说明文档链接
numpy.random.multivariate_normal
- 1.函数定义
numpy.random.multivariate_normal(mean, cov[, size, check_valid, tol]) - 2.参数解释
Parameters:
mean : 1-D array_like, of length N
Mean of the N-dimensional distribution.
cov : 2-D array_like, of shape (N, N)
Covariance matrix of the distribution. It must be symmetric and positive-semidefinite for proper sampling.
size : int or tuple of ints, optional
Given a shape of, for example, (m,n,k), mnk samples are generated, and packed in an m-by-n-by-k arrangement. Because each sample is N-dimensional, the output shape is (m,n,k,N). If no shape is specified, a single (N-D) sample is returned.
check_valid : { ‘warn’, ‘raise’, ‘ignore’ }, optional
Behavior when the covariance matrix is not positive semidefinite.
tol : float, optional
Tolerance when checking the singular values in covariance matrix.
| 1 | 2 |
|---|---|
| mean | 表示高斯分布的均值，mean纬度为N，表示N维高斯分布 |
| conv | 表示高斯分布的协方差矩阵，一维高斯的协方差矩阵纬度为1X1，二维高斯的协方差矩阵纬度为2X2... |
| size | mean和conv定义了一个高斯分布，这个函数是用定义好的高斯分布里生成若干个值，如果size为 (m,n,k)，则会返回一个 (m,n,k)大小的采样值 |
| check_valid | 检验协方差矩阵，当矩阵不是半正定时，输出警告、忽略、raise..... |
| tol | 对协方差矩阵的奇异值进行检查时的容忍度，应该是在检验协方差矩阵时，对奇异值进行判断的误差 |
- 3.使用
（1）
'''
import numpy as np
import matplotlib.pyplot as plt
Y = np.random.multivariate_normal([(0)], [[1]], 1000)
plt.plot(Y,'ro')
'''
以上实例表示：采集1000个符合0均值，1协方差的高斯分布的点，
纵轴表示采集到的点的值，横轴表示点的序号，
可以看出所有点的值大致是符合N（0,1）（正态）分布的，值为0的点概率较大，数量较多，偏离0的点数量少。
