Python | Generar números aleatorios utilizando la biblioteca numpy

Python | Generar números aleatorios : Aquí, vamos a aprender cómo generar números aleatorios utilizando la biblioteca numpy en Python Lenguaje de Programación?

Objetivo: para especular y generar números aleatorios utilizando la biblioteca numpy

generación de números aleatorios : Generación de números aleatorios en muy importante en el ámbito del aprendizaje de máquina. Se utiliza para inicializar los pesos en casi todos los algoritmo de aprendizaje automático.

Así pocas funciones utilizadas máquinas class algoritmos de numpy biblioteca de aprendizaje:

  1. numpy.random.rand ()
    Se toma la forma de la matriz como su argumento y luego generar números aleatorios y llenar todo el matriz con los números aleatorios que se encuentra entre 0 y 1. La distribución de números aleatorios sigue una distribución uniforme.
  2. numpy.random.randint ()
    Se toma dos argumentos (bajo y alto). Genera entero aleatorio entre bajo y alto en el que bajo es inclusivo y de alta es exclusiva. De ello se deduce la distribución uniforme discreta.
  3. numpy.random.randn ()
    Se toma forma de la matriz como su argumento y generar números aleatorios en la forma de distribución gaussiana con media como 0 y la varianza como 1. Se deduce distribución normal estándar.
  4. numpy.random.random ()
    Toma tamaño como su argumento y generar número de números aleatorios aleatorio comprendido entre 0 y 1. De ello se deduce la distribución aleatoria continua.
  5. numpy.random.multivariate ()
    Se necesita principalmente tres argumentos (media de característica individual en forma de matriz, la matriz de co -variance y último argumento es el número de puntos de datos). datos de generación de for For más de una función, la matriz media y la varianza debe ser de dimensión superior. De ello se desprende distribución normal multivariante.

implementación de Python:

import numpy as np
print("###########random.rand()############")
A = np.random.rand(2,5)
print(A)
print("###########random.randint()############")
B = np.random.randint(2,17)
print(B)
print("###########random.randn()############")
C = np.random.randn(2,5)
print(C)
print("###########random.random()############")
D = np.random.random((2,5))
print(D)
print("###########random.multivariate_normal()############")
E = np.random.multivariate_normal([1.0,5.0], [[1.0,2.0],[2.0,1.0]],5)
print(E)

salida

###########random.rand()############
[[0.87736653 0.75351615 0.06455974 0.36414861 0.04139118]
[0.41138255 0.10342316 0.05800631 0.12752116 0.33958441]]
###########random.randint()############
12
###########random.randn()############
[[ 0.01895673 0.50055148 0.12352832 -0.35232071 0.03695278]
[ 2.02632408 0.94237563 0.60807025 -0.37935715 1.45447358]]
###########random.random()############
[[0.57192619 0.85141271 0.49857667 0.62128599 0.39234191]
[0.72266235 0.05779006 0.99732815 0.27651905 0.14774923]]
###########random.multivariate_normal()############
/home/main.py:16: RuntimeWarning: covariance is not positive-semidefinite.
E = np.random.multivariate_normal([1.0,5.0], [[1.0,2.0],[2.0,1.0]],5)
[[ 2.27370346 4.71914942]
[-0.222617 4.50092221]
[-0.38584754 4.88753041]
[ 2.2530275 5.5017934 ]
[-0.13875541 3.25742664]]


Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *