от
Скажем, у меня есть случайные выборки из дистрибутива и никаких других данных - например, список номеров -
[1,15,30,4,etc.]
. Каков наилучший способ оценить распределение, чтобы получить больше образцов из него в pytorch? В настоящее время я предполагаю, что все сэмплы происходят из нормального распределения и просто используют среднее и стандартное сэмплы для его построения и извлечения из него. Функция, однако, может иметь любое распределение.
samples = torch.Tensor([1,2,3,4,3,2,2,1])
Normal(samples.mean(), samples.std()).sample()
             

Ваш ответ

Отображаемое имя (по желанию):
Конфиденциальность: Ваш электронный адрес будет использоваться только для отправки уведомлений.
Анти-спам проверка:
Чтобы избежать проверки в будущем, пожалуйста войдите или зарегистрируйтесь.

2 Ответы

0 голосов
от
Если у вас есть достаточно выборок (и предпочтительно размер выборки выше, чем
1
), вы можете смоделировать распределение с помощью Variational Autoencoder или Generative Adversarial Networks (хотя я бы придерживался первого подхода, поскольку он проще). По сути, после правильной реализации и обучения вы получите детерминированный декодер, способный декодировать скрытый код, который вы передадите (например, вектор размера
10
, взятый из нормального распределения) в значение из целевого распределения. Обратите внимание, что это может быть ненадежно, хотя было бы еще сложнее, если бы ваши образцы были только
1D
.     
0 голосов
от
Лучший способ зависит от того, чего вы хотите достичь. Если вы не знаете базовый дистрибутив, вам нужно сделать предположения о нем, а затем подобрать подходящий (который вы знаете, как сделать выборку) для ваших выборок. Вы можете начать с чего-то простого, такого как смесь гауссианов (несколько нормальных распределений с разными весами). Другой способ - определить дискретное распределение по имеющимся у вас значениям. Вы дадите каждому значению одинаковую вероятность, скажем, p (x) = 1 / N. Когда вы делаете выборку из него, вы просто рисуете случайное целое число из [0, N), которое указывает на одну из ваших выборок.     
Добро пожаловать на сайт ByNets, где вы можете задавать вопросы и получать ответы от других членов сообщества.
...