以下是官方說明文檔鏈接
numpy.random.multivariate_normal
- 1.函數定義
numpy.random.multivariate_normal(mean, cov[, size, check_valid, tol]) - 2.參數解釋
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緯度為N，表示N維高斯分布 |
| conv | 表示高斯分布的協方差矩陣，一維高斯的協方差矩陣緯度為1X1，二維高斯的協方差矩陣緯度為2X2... |
| size | mean和conv定義了一個高斯分布，這個函數是用定義好的高斯分布里生成若干個值，如果size為 (m,n,k)，則會返回一個 (m,n,k)大小的采樣值 |
| check_valid | 檢驗協方差矩陣，當矩陣不是半正定時，輸出警告、忽略、raise..... |
| tol | 對協方差矩陣的奇異值進行檢查時的容忍度，應該是在檢驗協方差矩陣時，對奇異值進行判斷的誤差 |
- 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')
'''
以上實例表示：采集1000個符合0均值，1協方差的高斯分布的點，
縱軸表示采集到的點的值，橫軸表示點的序號，
可以看出所有點的值大致是符合N（0,1）（正態）分布的，值為0的點概率較大，數量較多，偏離0的點數量少。
