首页 > 代码库 > 统计基础
统计基础
统计基础
前言
机器学习需要深厚的数学基础,矩阵、统计、优化,这些都是基本功。勿在浮沙筑高台!所以在本文中将总结学习统计基础知识,夯实基础!
正态分布
正态分布在机器学习中有着重要的应用,在数学上有这样一个结论:根据中心极限定理,多个随机变量之和服从正态分布。根据这个结论,在误差分析时,
可以认为所产生的误差是多个独立同分布误差的叠加,因此最终的误差服从正态分布。
- 单变量正态分布
N(x|μ,σ2)=1(2πσ2)12exp{?12(x?μ)2}
其中,E(x)=μ ,var(x)=σ2 . - 多变量正态分布
N(X|μ,Σ)=1(2π)D21|Σ|12exp{?12(X?μ)TΣ?1(X?μ)}
其中,E(X)=μ ,var(X)=Σ ,Σ 是n 阶对称正定矩阵。 而Σ 是对称矩阵,所以存在正交矩阵T(T′=T?1) ,使得T′ΣT=Λ , 其中Λ 是对角阵,其对角线上的元素λ1,λ2,...,λn 是Σ 的特征根。因为Σ 是正定的,故λ1,λ2,...,λn 都是正的。 - 高斯条件分布
对于联合分布N(X|μ,Σ) ,Λ=Σ?1 ,其中X=(xaxb),μ=(μaμb) 则条件分布的概率为Σ=(ΣaaΣbaΣabΣbb),Λ=(ΛaaΛbaΛabΛbb) p(Xa|Xb)=N(X|μa|b,Λ?1aa) μa|b=μa?Λ?1aaΛab(Xb?Xa)
边际分布的概率为p(Xa)=N(Xa|μa,Σaa) - 若
X 服从N(μ,Σ) ,则Y=AX+b 服从N(Aμ+b,AΣA′) - 混合高斯分布
高斯分布是一个单峰模型,其对于多峰模型的描述显然是不够的,所以引入了混合高斯分布,即多个高斯分布的凸组合p(x)=Σk=1KπkN(x|μk,Σk)
其中,Σk=1Kπk=1 ,0≤πk≤1
Γ 分布
Γ 函数
是阶乘在实数和复数上的扩展当Γ(t)=∫∞0xt?1e?xdx t 为正整数时Γ(t)=(t?1)! Γ 函数性质Γ(t+1)=tΓ(t) Γ(1)=1 Γ(12)=π√ Γ 分布密度函数f(x)=λαxα?1Γ(α)e?λx
称x 服从参数为α,λ 的Γ 分布,记为x Γ(α,λ) Γ 分布性质
Gamma分布中的参数α 称为形状参数(shape parameter),λ 称为尺度参数(scale parameter)。在实验中,它模拟假设随机变量X为 等到第α 件事发生所需之等候时间,α,λ 是两个分布调整参量。E(x)=αλ σ2(x)=αλ2
Beta分布
- Beta函数
B(p,q)=Γ(p)Γ(q)Γ(p+q)=∫10xp?1(1?x)q?1dx - Beta分布密度函数
Beta(μ|p,q)=Γ(p+q)Γ(p)Γ(q)μp?1(1?μ)q?1=1B(p,q)μp?1(1?μ)q?1
其均值和方差如下所示:E(μ)=pp+q var(μ)=pq(p+q)2(p+q+1)
Beta分布是区间[0,1] 上的单峰分布,所以可以在某些情况下对数据进行很好的描述。比如,其可作为伯努利分布的贝叶斯参数估计时的先验分布。
Dirichlet分布
- 定义 其中
Dir(μ|α)=Γ(α0)Γ(α1)...Γ(αk)∏k=1Kμαk?1k α0=Σk=1Kαk - Beta分布与Dirichlet分布的关系
- Beta分布对应二项分布,Dirichlet对应多项分布
- Beta分布是Dirichlet分布的特例
指数族分布
- 定义
若x 的概率密度可以表示为则称此分布为指数族分布。其中,p(x|η)=h(x)g(η)exp{ηTu(x)} η 称为自然参数,u(x) 是x 的函数,g(η) 可以看作是归一化概率密度的参数,即g(η)∫h(x)exp{ηTu(x)}=1 - 实例
二项分布、多项分布、指数分布、Gamma分布等
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。