在某些情况下,常见的随机数生成方法不足以产生所需的样本。Statistics and Machine Learning Toolbox™提供了几种生成伪随机数和拟随机数的替代方法。Quasirandom数字,亦称低偏差序列,生成距离集合中现有数字尽可能远的每个连续数字。这种方法避免了聚类,可以加快收敛速度,但准随机数通常过于均匀,无法通过随机测试。伪随机数比拟随机数更不均匀,可能更适合需要更大随机性的应用程序。使用切片采样器、哈密顿蒙特卡罗采样器或大都会-哈斯廷斯马可夫链采样器从统计分布中提取伪随机样本。
如果可用的参数概率分布不能充分描述您的数据,您可以使用灵活的分布族。Pearson和Johnson柔性分布家族适合一个基于位置、规模、偏度和峰度样本数据的模型。一旦您将一个分布适合您的数据,您就可以从该分布生成伪随机数。
马尔可夫链抽样器可以从一个难以直接表示的抽样分布中产生数字。
学习如何使用哈密顿蒙特卡罗采样器。
使用贝叶斯推理逻辑回归模型slicesample
.
Pearson和Johnson系统是灵活的分布参数族,为广泛的数据形状提供了良好的匹配。
统计和机器学习工具箱支持从各种分布生成随机数。金宝app
伪随机数由确定性算法生成。
准随机数发生器(qrng)产生高度均匀的单位超立方样本。