np.random.normal返回值

`np.random.normal()`函数返回一个由指定均值和标准差的正态（高斯）分布随机样本组成的数组。

以下是一个演示`np.random.normal()`函数的例子：

import numpy as np

# 生成一个均值为0，标准差为1的正态分布随机样本数组
samples = np.random.normal(0, 1, size=10)

print(samples)

输出：

[-0.04575852 -0.20263163 -0.17498617 -0.21482022 -0.06476447  0.27623891
 -0.18694787 -0.03292684 -0.01983494 -0.04571928]

相关问题

def generate_samples(m, k): X_normal = 2 * (np.random.rand(m, 1) - 0.5) y_normal = X_normal + np.random.normal(0, 0.1, (m,1)) X_outlier = 2 * (np.random.rand(k, 1) - 0.5) y_outlier = X_outlier + np.random.normal(3, 0.1, (k,1)) X = np.concatenate((X_normal, X_outlier), axis=0) y = np.concatenate((y_normal, y_outlier), axis=0) return X, ynp.random.seed(0) X, y = generate_samples(100, 5)

这段代码定义了一个名为`generate_samples()`的函数，该函数有两个参数：m和k。

函数的主要功能是生成包含异常值的数据集。具体来说，它生成了两个大小分别为m和k的数组X_normal和X_outlier，这些数组包含了在[-1, 1]之间均匀分布的随机数，并将它们乘以2，使它们的范围变为[-2, 2]。然后，它为每个X值生成一个相应的y值，该y值等于X值加上一个从均值为0，标准差为0.1的正态分布中随机抽取的值。这些值被存储在数组y_normal中。

接下来，函数生成了另外的X_outlier和y_outlier数组，以模拟异常值。这些值也是在[-1, 1]之间均匀分布的随机数，但是在计算相应的y值时，它们被加上了从均值为3，标准差为0.1的正态分布中随机抽取的值。这些值被存储在y_outlier数组中。

最后，函数将X_normal和X_outlier数组以及y_normal和y_outlier数组连接起来，生成完整的X和y数组，并将它们作为函数的返回值。

在这里，函数被调用，使用100和5作为参数来生成数据集，并将结果存储在X和y变量中。

np.random.standard_normal

np.random.standard_normal是numpy中的一个函数，用于从标准正态分布中返回一个或多个样本。标准正态分布是指均值为0，标准差为1的正态分布。该函数的参数为size，表示需要生成的样本数量或数组的形状。如果不传入参数，则返回一个随机生成的浮点数。如果传入一个整数n，则返回一个长度为n的一维数组。如果传入一个元组(n,m)，则返回一个n行m列的二维数组。该函数的返回值是一个或多个样本组成的数组。