Keyboard shortcuts

Press ← or → to navigate between chapters

Press S or / to search in the book

Press ? to show this help

Press Esc to hide this help

การแจกแจงแบบสุ่ม

เพื่อมอบความยืดหยุ่นสูงสุดในการสุ่มสร้างค่า เราจึงได้นิยามเทรต Distribution ขึ้นมาดังนี้:

use rand::Rng;
// a producer of data of type T:
pub trait Distribution<T> {
    // the key function:
    fn sample<R: Rng + ?Sized>(&self, rng: &mut R) -> T;

    // a convenience function defined using sample:
    fn sample_iter<R>(self, rng: R) -> rand::distr::Iter<Self, R, T>
    where
        Self: Sized,
        R: Rng,
    {
        // [has a default implementation]
        todo!()
    }
}

การอิมพลีเมนต์เทรต Distribution ในทางคณิตศาสตร์ก็คือ การแจกแจงความน่าจะเป็น (Probability distribution): นั่นคือการจับคู่เชื่อมโยงระหว่างเหตุการณ์กับค่าความน่าจะเป็นที่จะเกิดขึ้น (เช่น สำหรับการทอยลูกเต๋า P(x = i) = ⅙ หรือสำหรับการแจกแจงแบบ Normal ที่มีค่าเฉลี่ย μ=0, P(x > 0) = ½)

ข้อควรทราบคือ แม้ว่าการแจกแจงความน่าจะเป็นในทางสถิติจะมีคุณสมบัติทางคณิตศาสตร์มากมาย เช่น ค่าเฉลี่ย (mean), ฟังก์ชันความหนาแน่นความน่าจะเป็น (PDF) ตลอดจนการสุ่มตัวอย่างผ่านการหาค่าผกผันของฟังก์ชันการแจกแจงสะสม (CDF) แต่สำหรับขอบเขตของ Rand เรามุ่งเน้นเฉพาะ การสุ่มดึงค่าตัวอย่าง (sampling) เท่านั้น หากคุณต้องการใช้งานคุณสมบัติทางคณิตศาสตร์และการวิเคราะห์สถิติเชิงลึกเหล่านั้น ขอแนะนำให้พิจารณาเลือกใช้เครต statrs แทน

ไลบรารี Rand มีการอิมพลีเมนต์การแจกแจงรูปแบบต่างๆ ไว้มากมาย โดยในบทนี้เราจะครอบคลุมการแจกแจงที่เป็นที่นิยมที่สุด แต่หากต้องการดูรายการการแจกแจงทั้งหมด สามารถศึกษาเพิ่มเติมได้จากโมดูล distr และเครต rand_distr

การแจกแจงแบบสม่ำเสมอ

การแจกแจงรูปแบบที่ตรงไปตรงมาที่สุดคือแบบที่เราได้กล่าวถึงไปแล้ว: นั่นคือรูปแบบที่ทุกช่วงย่อยขนาดเท่ากันจะมีโอกาสเท่ากันที่จะเป็นค่าสุ่มถัดไป ซึ่งเรียกว่าการแจกแจงแบบ สม่ำเสมอ (Uniform)

ในความเป็นจริง Rand ได้จัดเตรียมการแจกแจงแบบสม่ำเสมอไว้หลายรูปแบบ เพื่อรองรับช่วงค่าที่แตกต่างกัน:

  • StandardUniform ไม่ต้องใช้พารามิเตอร์ และสุ่มค่าแบบสม่ำเสมอตาม ชนิดข้อมูล โดย Rng::random ให้ทางลัดไปยังการแจกแจงนี้
  • Uniform ถูกกำหนดพารามิเตอร์ด้วย Uniform::new(low, high) (รวม low ไม่รวม high) หรือ Uniform::new_inclusive(low, high) (รวมทั้งสองค่า) และสุ่มค่าแบบสม่ำเสมอภายในช่วงนี้ Rng::random_range เป็นเมธอดอำนวยความสะดวกที่นิยามบน Uniform::sample_single ซึ่งปรับแต่งสำหรับการใช้งานแบบสุ่มครั้งเดียว
  • Alphanumeric สุ่มแบบสม่ำเสมอเฉพาะค่า char ในกลุ่ม 0-9A-Za-z
  • Open01 และ OpenClosed01 ให้ช่วงการสุ่มทางเลือกสำหรับ ชนิดข้อมูลทศนิยม (ดูด้านล่าง)

การสุ่มแบบสม่ำเสมอตามชนิดข้อมูล

มาดูการแจกแจงตามชนิดข้อมูลกัน:

  • สำหรับ bool StandardUniform สุ่มแต่ละค่าด้วยความน่าจะเป็น 50%

  • สำหรับ Option<T> การแจกแจง StandardUniform สุ่ม None ด้วย ความน่าจะเป็น 50% มิฉะนั้นจะสุ่ม Some(value) ตามชนิดข้อมูลของมัน

  • สำหรับจำนวนเต็ม (u8 จนถึง u128, usize และชนิด i* ต่างๆ) StandardUniform สุ่มจากค่าที่เป็นไปได้ทั้งหมด ขณะที่ Uniform สุ่มจากช่วงที่กำหนดพารามิเตอร์

  • สำหรับ NonZeroU8 และชนิด “ไม่เป็นศูนย์” อื่นๆ StandardUniform สุ่มแบบสม่ำเสมอ จากค่าที่ไม่เป็นศูนย์ทั้งหมด (วิธีปฏิเสธ)

  • ชนิดจำนวนเต็ม Wrapping<T> ถูกสุ่มเหมือนชนิดจำนวนเต็มที่สอดคล้องกัน โดยการแจกแจง StandardUniform

  • สำหรับทศนิยม (f32, f64)

    • StandardUniform สุ่มจากช่วงครึ่งเปิด [0, 1) ด้วยความแม่นยำ 24 หรือ 53 บิต (สำหรับ f32 และ f64 ตามลำดับ)
    • OpenClosed01 สุ่มจากช่วงครึ่งเปิด (0, 1] ด้วยความแม่นยำ 24 หรือ 53 บิต
    • Open01 สุ่มจากช่วงเปิด (0, 1) ด้วยความแม่นยำ 23 หรือ 52 บิต
    • Uniform สุ่มจากช่วงที่กำหนดด้วยความแม่นยำ 23 หรือ 52 บิต
  • สำหรับชนิด char การแจกแจง StandardUniform สุ่มจากรหัส Unicode ทั้งหมดที่มีอย่างสม่ำเสมอ; หลายค่าในนั้นอาจพิมพ์ไม่ได้ (ขึ้นอยู่กับการรองรับฟอนต์) Alphanumeric สุ่มจาก เฉพาะ a-z, A-Z และ 0-9 แบบสม่ำเสมอ

  • สำหรับทูเพิลและอาร์เรย์ แต่ละสมาชิกถูกสุ่มตามข้างต้นในกรณีที่รองรับ การแจกแจง StandardUniform และ Uniform ต่างรองรับชนิดข้อมูลเหล่านี้บางส่วน (ไม่เกินทูเพิล 12 สมาชิกและอาร์เรย์ 32 สมาชิก) ซึ่งรวมถึงทูเพิลว่าง () และอาร์เรย์ว่างด้วย เมื่อใช้ rustc ≥ 1.51 ให้เปิดใช้ฟีเจอร์ min_const_gen เพื่อรองรับ อาร์เรย์ที่มีสมาชิกมากกว่า 32 ตัว

  • สำหรับชนิด SIMD แต่ละสมาชิกถูกสุ่มตามข้างต้น สำหรับ StandardUniform และ Uniform (สำหรับแบบหลัง พารามิเตอร์ low และ high ก็เป็น ชนิด SIMD เช่นกัน จึงสุ่มจากหลายช่วงพร้อมกันได้อย่างมีประสิทธิผล) การรองรับ SIMD ต้องใช้ฟีเจอร์แฟล็ก simd_support และ rustc เวอร์ชัน nightly

  • สำหรับ enum คุณต้อง implement การสุ่มแบบสม่ำเสมอเอง ตัวอย่างเช่น คุณอาจใช้วิธีต่อไปนี้:

    use rand::{Rng, RngExt, distr::{Distribution, StandardUniform}};
    pub enum Food {
        Burger,
        Pizza,
        Kebab,
    }
    
    impl Distribution<Food> for StandardUniform {
        fn sample<R: Rng + ?Sized>(&self, rng: &mut R) -> Food {
            let index: u8 = rng.random_range(0..3);
            match index {
                0 => Food::Burger,
                1 => Food::Pizza,
                2 => Food::Kebab,
                _ => unreachable!(),
            }
        }
    }

การแจกแจงแบบไม่สม่ำเสมอ

เครต rand ให้เฉพาะการแจกแจงแบบไม่สม่ำเสมอสองแบบเท่านั้น:

  • การแจกแจง Bernoulli เพียงแค่สร้างค่าบูลีน โดยความน่าจะเป็นที่จะสุ่มได้ true นั้นเป็นค่าคงที่ (Bernoulli::new(0.5)) หรืออัตราส่วน (Bernoulli::from_ratio(1, 6))
  • การแจกแจง WeightedIndex ใช้สุ่มจากลำดับของค่าที่ถ่วงน้ำหนักได้ ดูส่วน Sequences

การแจกแจงแบบไม่สม่ำเสมออื่นๆ อีกมากมีให้ในเครต rand_distr

จำนวนเต็ม

การแจกแจง Binomial เกี่ยวข้องกับ Bernoulli ตรงที่มันจำลองการทดลองอิสระ n ครั้ง แต่ละครั้งมีความน่าจะเป็น p ที่จะสำเร็จ แล้วนับจำนวนครั้งที่สำเร็จ

โปรดทราบว่าสำหรับ n ที่มาก การ implement การแจกแจง Binomial จะเร็วกว่าการสุ่ม n ครั้งทีละครั้งมาก

การแจกแจง Poisson แสดงจำนวนเหตุการณ์ที่คาดว่าจะเกิดขึ้นภายในช่วงเวลาคงที่ โดยที่เหตุการณ์เกิดขึ้นด้วยอัตราคงที่ λ การสุ่มจากการแจกแจง Poisson จะสร้างค่า Float เพราะการคำนวณการสุ่มใช้ Float และเราเลือกที่จะให้ผู้ใช้เป็นผู้ตัดสินใจเรื่องชนิดจำนวนเต็ม รวมถึงการแปลงที่เกี่ยวข้องซึ่งอาจสูญเสียข้อมูลและ panic ได้ด้วยตนเอง ตัวอย่างเช่น ค่า u64 หาได้ด้วย rng.sample(Poisson) as u64

โปรดทราบว่าการแปลงทศนิยมเป็นจำนวนเต็มที่อยู่นอกช่วงด้วย as ให้ผลเป็นพฤติกรรมที่นิยามไม่ได้สำหรับ Rust <1.45 และเป็นการแปลงแบบอิ่มตัวสำหรับ Rust >=1.45

การแจกแจงแบบไม่สม่ำเสมอต่อเนื่อง

การแจกแจงต่อเนื่องจำลองตัวอย่างที่ดึงมาจากเส้นจำนวนจริง ℝ หรือในบางกรณีเป็นจุดจากมิติที่สูงกว่า (ℝ², ℝ³ ฯลฯ) เรามีการ implement สำหรับเอาต์พุต f64 และ f32 ในกรณีส่วนใหญ่ แม้ว่าปัจจุบันการ implement สำหรับ f32 เพียงลดความแม่นยำของตัวอย่าง f64

การแจกแจงแบบเอกซ์โพเนนเชียล Exp จำลองเวลาจนถึงการสลายตัว โดยสมมติว่าอัตราการสลายตัวคงที่ (กล่าวคือ การสลายตัวแบบเอกซ์โพเนนเชียล)

การแจกแจง Normal (หรือที่รู้จักกันในชื่อการแจกแจงแบบเกาส์) จำลองการสุ่มจากการแจกแจง Normal (“เส้นโค้งระฆัง”) ด้วยค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานที่กำหนด LogNormal เกี่ยวข้องกัน: สำหรับตัวอย่าง X จากการแจกแจงล็อกนอร์มัล log(X) จะแจกแจงแบบนอร์มัล; สิ่งนี้ทำให้การแจกแจงนอร์มัล “เบ้” เพื่อหลีกเลี่ยงค่าลบและมีหางบวกยาว

การแจกแจง UnitCircle และ UnitSphere จำลองการสุ่มแบบสม่ำเสมอจากเส้นรอบวงกลมหรือพื้นผิวทรงกลม

การแจกแจง Cauchy (หรือที่รู้จักกันในชื่อการแจกแจง Lorentz) คือการแจกแจงของจุดตัดแกน x ของรังสีจากจุด (x0, γ) ที่มีมุมแจกแจงแบบสม่ำเสมอ

การแจกแจง Beta เป็นการแจกแจงความน่าจะเป็นแบบสองพารามิเตอร์ ซึ่งค่าเอาต์พุตอยู่ระหว่าง 0 กับ 1 การแจกแจง Dirichlet เป็นการวางนัยทั่วไปเป็นจำนวนพารามิเตอร์บวกใดๆ