在給定一些資料的情況下，近似模型的最大似然的一種簡單方法是網格近似。例如，在 R 中，我們可以生成一個引數值網格，然后在給定一些資料的情況下評估每個值的可能性（來自McElreath的Statistical Rethinking的示例）：
p_grid <- seq(from=0, to=1, length.out=1000)
likelihood <- dbinom(6, size=9, prob=p_grid)
這里likelihood是一個包含 1000 個值的陣列，我認為這是獲取這樣一個陣列的有效方法。
我是 Julia 的新手（并且不太擅長 R），所以我做上述相同的方法依賴于理解語法：
using Distributions
p_grid = collect(LinRange(0, 1, 1000))
likelihood = [pdf(Binomial(n9=, p=p), 6) for p in p_grid]
這不僅笨重，而且在某種程度上似乎效率低下，因為新的二項式被構造了 1000 次。是否有更好的（也許是矢量化的）方法來完成相同的任務？
uj5u.com熱心網友回復：
在 R 或 Python 等語言中，人們經常使用術語“向量化”來表示“避免for語言中的回圈”。我說“在語言中”是因為仍然存在for回圈，只是它們現在使用 C 而不是 R/Python。
在 Julia，沒有什么可擔心的。您有時仍會聽到“矢量化”，但 Julia 的人們傾向于在硬體矢量化的原始意義上使用它。更多關于這里。
至于你的代碼，我覺得沒問題。可以肯定的是，讓我們進行基準測驗！
julia> using BenchmarkTools
julia> @btime [pdf(Binomial(9, p), 6) for p in $p_grid]
111.352 μs (1 allocation: 7.94 KiB)
您可以撰寫此代碼的另一種方法是使用map：
julia> @btime map($p_grid) do p
pdf(Binomial(9, p), 6)
end;
111.623 μs (1 allocation: 7.94 KiB)
要檢查構造開銷，您可以對 進行較低級別的呼叫StatsFuns，如下所示
julia> using StatsFuns
julia> @btime map($p_grid) do p
binompdf(9, p, 6)
end;
109.809 μs (1 allocation: 7.94 KiB)
看起來有一些差異，但很小，可能占總成本的 2% 左右。
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/476412.html
下一篇：在串列中查找物件而不對其進行迭代