Distribuição logística no NumPy
Neste artigo, vamos focar na implementação da distribuição logística no NumPy com exemplos.
Esta distribuição tem uma curva simétrica em forma de sino e é definida por dois parâmetros: o parâmetro de localização e o parâmetro de escala.
Distribuição Logística Aleatória Numpy
Para explicar o desenvolvimento na logística aleatória Numpy, utilizamos a distribuição logística.
Aplicações de aprendizado de máquina incluem regressão logística, redes neurais, etc.
Três parâmetros estão envolvidos:
| Parâmetros | Visão geral |
| local | a média, onde se encontra o ponto mais alto. O valor padrão é 0. |
| escala | um indicador do nível de uma distribuição, ou desvio padrão. A configuração padrão é 1. |
| tamanho | Forneça a forma da matriz . |
Tome quatro observações de uma distribuição logística com uma média de 5 e um desvio padrão de 8:
Example:
Altere os valores de média e desvio padrão no exemplo a seguir:
Example:
Visualização da Distribuição Logística
Podemos usar o Matplotlib para visualizar a distribuição logística plotando um histograma dos números aleatórios gerados.
Example:
Exiba o histograma da Distribuição Logística:
Example:
Logística vs distribuição normal
Ambas as distribuições são quase simétricas, mas a distribuição logística tem uma área maior entre as caudas.
Em outras palavras, de acordo com a logística aleatória Numpy, corresponde a uma maior probabilidade de um evento acontecer longe da média.
Com exceção do ponto mais alto, as distribuições normal e logística são quase simétricas em escalas superiores (desvio padrão).
Mostre a diferença entre Logística e Distribuição Normal no exemplo a seguir:
Example:
Exiba a diferença entre as duas distribuições apenas com um histograma:
Example:
Conclusão
Exploramos a distribuição logística aleatória numpy e como ela pode ser usada para gerar números aleatórios e ajustar a distribuição aos dados.
A distribuição logística é uma distribuição de probabilidade útil que pode ser usada em várias aplicações, como em regressão logística e aprendizado de máquina.
