深度学习必懂的13种概率分布

最后更新：2020-03-25 13:06:31 手机定位技术交流文章

转载自:人工智能开发者

这篇文章1373字，建议阅读4分钟

本文介绍了最常见的基本概率分布教程，其中大部分都与使用python库的深入学习有关。

概率分布概述

共轭意味着它具有共轭分布的关系

在贝叶斯概率理论中，如果后验分布p(θx)和先验概率分布p(θ)在同一概率分布族中，则先验和后验被称为共轭分布，先验被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)

多类意味着随机方差大于2n次意味着我们也考虑先验概率p(x)为了进一步了解概率，我建议阅读

2。伯努利分布(离散)

代码:不考虑伯努利分布的先验概率p(x)因此，如果我们优化最大可能性，我们很容易被过度拟合用二元交叉熵对二项式分类进行分类其形式与伯努利分布的负对数相同

3 .二项式分布(离散)

代码:https://github . com/gray kode/distribution-is-all-you-need/blob/master/二项式. py

具有n和p参数的二项式分布是一系列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预先指定要选择的数量来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/gray kode/distribution-is-all-you-need/blob/master/category交叉熵和负对数的多重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/gray kode/distribution-is-all-you-need/blob/master/multinomial . py

多项式分布与分类分布的关系与具有二项式分布的Berner分布的关系相同

6.beta分布(连续)

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

beta分布与二项式分布和伯努利分布共轭使用共轭和已知的先验分布，后验分布可以更容易地获得。当β分布满足特殊条件(α=1，β=1)时，均匀分布是相同的

7。Dirichlet分布(连续)

代码:https://github . com/gray kode/distribution-is-all-you-need/blob/master/Dirichlet . py

Dirichlet分布与多项式分布共轭如果k=2，则为β分布

8。gamma分布(连续)

代码:https://github . com/gray kode/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beta分布指数分布和卡方分布是伽玛分布的特例

9。指数分布(连续)

代码:https://github . com/gray kode/distribution-is all-you-need/blob/master/index。当α为1时，py

指数分布是γ分布的一个特例

10。高斯分布(连续)

码: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/gray kode/distribution-is-all-you-need/blob/master/normal

12 .卡方分布(连续)

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

k自由度卡方分布是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/gray kode/distribution-is-all-you-need/blob/master/student-t . py

t分布是对称的钟形分布，类似于正态分布，但尾部较大，这意味着它更有可能产生远低于平均值的值

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

-end-

关注官方微信公众平台“THU数据学校”和清华-青岛数据科学研究院姐妹号“THU数据学校”，获取更多讲座收益和优质内容