【发布时间】：2013-02-19 09:08:50
【问题描述】：
你能帮我解决这些问题吗？我正在使用 Python
抽样方法
抽样（或蒙特卡洛）方法构成了一组通用且有用的技术，这些技术使用随机数来提取有关（多变量）分布和函数的信息。在统计机器学习的背景下，我们最关心的是从分布中抽取样本以获得汇总统计的估计值，例如相关分布的平均值。
当我们可以访问单位间隔上的统一（伪）随机数生成器（Matlab 中的 rand 或 R 中的 runif）时，我们可以使用 Bishop Sec. 中描述的变换采样方法。 11.1.1 从更复杂的分布中抽取样本。实现指数分布的变换方法
$$p(y) = \lambda \exp(−\lambda y) , y \geq 0$$
使用 Bishop 中第 526 页底部给出的表达式：切片采样涉及用附加变量 u 增加 z，然后从联合 (z,u) 空间中抽取样本。
抽样方法的关键是需要多少样本才能获得对感兴趣数量的可靠估计。假设我们有兴趣估计平均值，即
$$\mu_y = 1/\lambda$$
在上面的分布中，我们再使用样本均值
$$b_y = \frac1L \sum^L_{\ell=1} y(\ell)$$
L 个样本作为我们的估计量。由于我们可以根据需要生成任意数量的大小为 L 的样本，因此我们可以研究该估计值如何平均收敛到真实均值。为了正确地做到这一点，我们需要采取绝对差异
$$|\mu_y - b_y|$$
在真实平均值 $µ_y$ 和估计 $b_y$ 之间 对多个 $L$ 值（例如 10、100、1000）的多次重复（例如 1000 次）进行平均。 将预期绝对偏差绘制为 $L$ 的函数。 您能否绘制一些预期绝对偏差的转换值以获得或多或少的直线？这是什么意思？
我是这种统计机器学习的新手，真的不知道如何在 Python 中实现它。你能帮帮我吗？
【问题讨论】：