在某些情况下,常用的随机数生成方法不足以生成所需的样本。统计和机器学习工具箱™提供了几种替代方法来生成伪随机数和准随机数。Quasirandom数字,也被称为低差异序列,生成与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,无法通过随机性测试。伪随机数不像准随机数那么均匀,可能更适合于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-黑斯廷斯马尔可夫链采样器,通过从统计分布中绘制来生成伪随机样本。
如果可用的参数概率分布不能充分描述数据,则可以使用灵活的分布族。Pearson和Johnson灵活分布族拟合了一个基于样本数据的位置、规模、偏度和峰度的模型。一旦你为你的数据拟合了一个分布,你就可以从这个分布生成伪随机数。
马尔可夫链抽样器可以从难以直接表示的抽样分布中生成数字。
学习如何使用哈密顿蒙特卡洛采样器。
对逻辑回归模型进行贝叶斯推理slicesample
.
皮尔逊和约翰逊系统是灵活的分布参数族,为广泛的数据形状提供良好的匹配。
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)产生单位超立方体的高度均匀样本。