Statistics 如果只有样本才能在torch中从未知分布中提取，如何建立未知分布的良好近似？

假设我只有分布中的随机样本，没有其他数据-例如数字列表-

[1,15,30,4等]

。在Pytork中从中提取更多样本来估计分布的最佳方法是什么

我目前假设所有样本都来自正态分布，只使用样本的平均值和标准差来构建样本并从中提取。但是，该功能可以是任何分布

samples=火炬张量（[1,2,3,4,3,2,2,1]）
正常（samples.mean（），samples.std（））.sample（）

最佳方法取决于您想要实现的目标。如果您不知道基础分布，则需要对其进行假设，然后将合适的分布（您知道如何采样）拟合到您的样本中。你可以从一些简单的东西开始，比如高斯混合（几个不同权重的正态分布）

---

另一种方法是在现有值上定义离散分布。您将为每个值赋予相同的概率，例如p（x）=1/N。当您从中采样时，您只需从[0，N]中抽取一个随机整数，指向您的一个样本。

如果您有足够的样本（并且样本维度最好高于

1

），您可以使用或对分布进行建模（尽管我会坚持第一种方法，因为它更简单）

基本上，在正确的实现和训练之后，您将获得能够解码隐藏代码的确定性解码器，您将其（例如，从正态分布中获取的大小为

10

的向量）传递到目标分布中的值

---

请注意，它可能根本不可靠，但如果您的样本仅为

1D

，则会更加困难。

我喜欢离散分布方法，但它不适合我，因为我需要新样本。我正在黑盒优化中进行采集采样。因此我有一些样本，我想获取新样本，测试它们，然后选择新样本这是一个太宽泛的问题。涉及到什么假设？你已经给出了整数值，你是否假设分布是离散的（vs连续的）？对分布的支持是上下有界的，还是无限的（几何、泊松、指数等）？您是否试过查看您拥有的数据的直方图，以查看它的形状？您的样本是否足够大，可以合理地代表基础分布？在大多数情况下，适当的分布拟合需要大量样本或做出各种假设。没有任何假设-我不知道什么是先验的。很明显，我在我的普通例子中有连续变量的假设-这很好，但我真的不知道。另外，我实际上关心多维函数，但我给出了一个简单的一维例子，我可以从那里开始。边界让我们假设我可以得到-如果我不能，我可以用下限作为看到的最低值来伪造它在训练集中，最高也一样。这是用于黑盒优化中的获取。过一段时间，我将收集更多示例，我只想在任何时候获得分布的最佳近似值。