LearnDistribution

LearnDistribution[{example1,example2,…}]

生成一个 LearnedDistribution[…]，试图表示给定样例的基础分布.

更多信息和选项

范例

打开所有单元关闭所有单元

基本范例  (3)

在数值型数据集上训练分布：

根据学到的分布生成新样例：

计算新样例的 PDF：

在名称型数据集上训练分布：

根据学到的分布生成新样例：

计算样例 "A" 和 "B" 的概率：

在二维数据集上训练分布：

根据学到的分布生成新样例：

计算两个样例的概率：

估算缺失样例的值：

范围  (3)

在含有数值型变量和名称型变量的数据集上训练分布：

根据学到的分布生成新样例：

估算缺失样例的值：

在颜色上训练分布：

根据学到的分布生成 100 个新样例：

计算某些颜色的概率密度：

在日期上训练分布：

根据学到的分布生成 10 个新样例：

计算某些新日期的概率密度：

选项  (6)

FeatureTypes  (1)

指定数据是名称型的：

没有规范，数据被认为是数值：

Method  (2)

在数值数据集上培训 "Multinormal" 分布：

绘制 PDF 和培训数据：

在二维数据集上培训分布的所有可用方法（"Multinormal"、"ContingencyTable"、"KernelDensityEstimation"、"DecisionTree" 和 "GaussianMixture"）：

可视化这些分布的概率密度：

TimeGoal  (2)

在指定 5 秒的总训练时间的同时学习分布：

加载 "MNIST" 数据集的 1000 幅图像：

学习分布同时指定目标培训时间 3 秒：

获得的损失值（交叉熵）约为 -0.43：

学习分布同时指定目标培训时间 30 秒：

获得的损失值（交叉熵）约为 -0.978：

比较两个培训的学习曲线：

TrainingProgressReporting  (1)

加载 "UCILetter" 数据集:

培训期间交互式显示培训过程：

无图交互式显示培训过程：

在培训期间定期打印培训进度：

显示简单的进程指示器：

不报告进程：

应用  (4)

获取图像数据集：

在图像上训练分布：

根据学到的分布生成 50 个新样例：

比较训练集图像、测试集图像，学习到的分布的样本、另一个数据集中的图像和随机图像的概率密度：

获得生成 PDF 低于每个图像的样本的概率：

加载 "FisherIris" 数据集：

在 Dataset 上直接训练分布：

生成随机样本：

生成几个随机样本：

可视化分布中变量 "PetalLength" 和 "SepalLength" 的随机样本，并将它们与数据集进行比较：

加载 Titanic 幸存者数据集：

在数据集上训练分布：

用分布和 SynthesizeMissingValues 根据不完整的样例生成完整样例：

用分布预测给定乘客的存活概率：

在二维数据集上训练分布：

绘制 PDF 和训练数据：

通过 SynthesizeMissingValues 用学到的分布来估算缺失值：

获取可能的估算值的直方图：

Wolfram Research (2019)，LearnDistribution，Wolfram 语言函数，https://reference.wolfram.com/language/ref/LearnDistribution.html.

文本

Wolfram Research (2019)，LearnDistribution，Wolfram 语言函数，https://reference.wolfram.com/language/ref/LearnDistribution.html.

CMS

Wolfram 语言. 2019. "LearnDistribution." Wolfram 语言与系统参考资料中心. Wolfram Research. https://reference.wolfram.com/language/ref/LearnDistribution.html.

APA

Wolfram 语言. (2019). LearnDistribution. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/LearnDistribution.html 年

BibTeX

@misc{reference.wolfram_2024_learndistribution, author="Wolfram Research", title="{LearnDistribution}", year="2019", howpublished="\url{https://reference.wolfram.com/language/ref/LearnDistribution.html}", note=[Accessed: 05-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_learndistribution, organization={Wolfram Research}, title={LearnDistribution}, year={2019}, url={https://reference.wolfram.com/language/ref/LearnDistribution.html}, note=[Accessed: 05-November-2024 ]}