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,也被称为低差异序列,从集合中的现有数量生成尽可能远的每个连续编号。这种方法避免了聚类并且可以加速收敛,但是Quasirandom数量通常太均匀以通过随机性测试。伪随机数不如Quasirandom数字均匀,并且可能更适合需要更大随机性的应用。使用切片采样器,Hamiltonian Monte Carlo采样器或Metropolis-Hastings Markov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没有充分描述您的数据,则可以使用灵活的分销系列。Pearson和Johnson的灵活配送系列适用于样本数据的位置,规模,偏斜和峰度的模型。一旦拟合到数据分发,您就可以从该分发生成伪随机数。
马尔可夫链采样器可以从难以直接表示的采样分布生成数字。
使用Hamiltonian Monte Carlo的贝叶斯线性回归
了解如何使用Hamiltonian Monte Carlo采样器。
制作贝叶斯的推论,用于使用逻辑回归模型slicesample.
。
Pearson和Johnson Systems是灵活的参数分布系列,可提供各种数据形状的良好匹配。
统计和机器学习工具箱支持生成各种分布的随机数。万博1manbetx
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。