Press "Enter" to skip to content

深度学习必懂的13种概率分布

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

作为机器学习从业者,你需要知道概率分布相关的知识。这里有一份最常见的基本概率分布教程,大多数和使用 python 库进行深度学习有关。

 

概率分布概述

 

 

共轭意味着它有共轭分布的关系。

 

在贝叶斯概率论中,如果后验分布 p(θx)与先验概率分布 p(θ)在同一概率分布族中,则先验和后验称为共轭分布,先验称为似然函数的共轭先验。 共轭先验维基百科在这里(https://en.wikipedia.org/wiki/Conjugate_prior)。

 

多分类表示随机方差大于 2。

 

n 次意味着我们也考虑了先验概率 p(x)。

 

为了进一步了解概率,我建议阅读 [pattern recognition and machine learning,Bishop 2006]。

 

分布概率与特征

 

1. 均匀分布(

 

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/uniform.py

 

均匀分布在 [a,b] 上具有相同的概率值,是简单概率分布。

 

 

2. 伯努利分布(离散)

 

代码: https://github.com/graykode/distribution-is-all-you-need/blob/master/bernoulli.py

 

先验概率 p(x)不考虑伯努利分布。因此,如果我们对最大似然进行优化,那幺我们很容易被过度拟合。

 

利用二元交叉熵对二项分类进行分类。它的形式与伯努利分布的负对数相同。

 

 

3. 二项分布(离散)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/binomial.py

 

参数为 n 和 p 的二项分布是一系列 n 个独立实验中成功次数的离散概率分布。

 

二项式分布是指通过指定要提前挑选的数量而考虑先验概率的分布。

 

 

4. 多伯努利分布,分类分布(离散)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/categorical.py

 

多伯努利称为分类分布。

 

交叉熵和采取负对数的多伯努利分布具有相同的形式。

 

 

5. 多项式分布(离散)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/multinomial.py

 

多项式分布与分类分布的关系与伯努尔分布与二项分布的关系相同。

 

 

6. β分布(连续)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/beta.py

 

β分布与二项分布和伯努利分布共轭。

 

利用共轭,利用已知的先验分布可以更容易地得到后验分布。

 

当β分布满足特殊情况(α=1,β=1)时,均匀分布是相同的。

 

 

7. Dirichlet (连续)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/dirichlet.py

 

dirichlet 分布与多项式分布是共轭的。

 

如果 k=2,则为β分布。

 

 

8. 伽马分布(连续)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/gamma.py

 

如果 gamma(a,1)/gamma(a,1)+gamma(b,1)与 beta(a,b)相同,则 gamma 分布为β分布。

 

指数分布和卡方分布是伽马分布的特例。

 

 

9. 指数分布(连续)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/exponential.py

 

指数分布是 α 为 1 时 γ 分布的特例。

 

 

10. 高斯分布(连续)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/gaussian.py

 

高斯分布是一种非常常见的连续概率分布。

 

 

11. 正态分布(连续)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/normal.py

 

正态分布为标准高斯分布,平均值为 0,标准差为 1。

 

 

12. 卡方分布(连续)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/chi-squared.py

 

k 自由度的卡方分布是 k 个独立标准正态随机变量的平方和的分布。

 

卡方分布是 β 分布的特例

 

 

13. t 分布(连续)

 

代码:

 

https://github.com/graykode/distribution-is-all-you-need/blob/master/student-t.py

 

t 分布是对称的钟形分布,与正态分布类似,但尾部较重,这意味着它更容易产生远低于平均值的值。

 

 

via:https://github.com/graykode/distribution-is-all-you-need

 

Be First to Comment

发表评论

邮箱地址不会被公开。 必填项已用*标注