伪随机数和拟随机数生成

生成伪随机样本数据和拟随机样本数据

在某些情况下，常见的随机数生成方法不足以生成所需的样本。Statistics and Machine Learning Toolbox™ 提供了几种生成伪随机数和拟随机数的备选方法。拟随机数（也称为低差异序列）生成的每个连续数字尽可能远离数据集中的现有数字。这种方法可以避免数据成团并加快收敛速度，但拟随机数通常太均匀而不能通过随机性检验。伪随机数不像拟随机数那样均匀，可能更适合需要更大随机性的应用程序。可以使用切片抽样器、汉密尔顿-蒙特卡罗抽样器或 Metropolis-Hastings 马尔可夫链抽样器，通过从统计分布中抽取数据来生成伪随机样本。

如果可用的参数化概率分布不能充分描述您的数据，则可以使用弹性分布族。Pearson 和 Johnson 弹性分布族可以基于样本数据的位置、尺度、偏度和峰度来拟合模型。对数据进行分布拟合后，可以从该分布中生成伪随机数。

函数

全部展开

马尔可夫链抽样器

`slicesample`	Slice sampler
`mhsample`	Metropolis-Hastings sample
`hmcSampler`	Hamiltonian Monte Carlo (HMC) sampler

灵活分布族

`pearsrnd`	Pearson system random numbers
`johnsrnd`	Johnson system random numbers

类

全部展开

拟随机数抽样器和马尔可夫链抽样器

`haltonset`	Halton quasirandom point set
`qrandstream`	Construct quasi-random number stream
`sobolset`	Sobol quasirandom point set
`HamiltonianSampler`	Hamiltonian Monte Carlo (HMC) sampler

主题

Representing Sampling Distributions Using Markov Chain Samplers
Markov chain samplers can generate numbers from a sampling distribution that is difficult to represent directly.
Bayesian Linear Regression Using Hamiltonian Monte Carlo
Learn how to use the Hamiltonian Monte Carlo sampler.
逻辑回归模型的贝叶斯分析
使用 slicesample 对逻辑回归模型进行贝叶斯推断。
Generating Data Using Flexible Families of Distributions
The Pearson and Johnson systems are flexible parametric families of distributions that provide good matches for a wide range of data shapes.
Random Number Generation
Statistics and Machine Learning Toolbox supports the generation of random numbers from various distributions.
Generating Pseudorandom Numbers
Pseudorandom numbers are generated by deterministic algorithms.
Generating Quasi-Random Numbers
Quasi-random number generators (QRNGs) produce highly uniform samples of the unit hypercube.

伪随机数和拟随机数生成

函数

马尔可夫链抽样器

灵活分布族

类

拟随机数抽样器和马尔可夫链抽样器

主题

WeChat