一、概率分布
首先说一下概率论的重要性。机器学习往往需要处理不确定量,而概率论则是用于声明不确定性的数学工具,提供了量化不确定性的方法和导出新不确定性的公理,因此概率论是机器学习很重要的基础。概率论中最主要的便是概率分布的研究,下面给出几种常用的概率分布。
1、Bernoulli 分布(伯努利分布)
伯努利分布是单个二值随机变量的分布,由参数 (phiinleft[0,1right]) 控制, (phi) 表示随机变量为1的概率:
[ P(x=1)=phi ]
[ P(x=0)=1-phi ]
可以合并为:
[ P(x)=phi^{x}left(1-phiright)^{1-x} ]
2、Multinoulli 分布(范畴分布)
范畴分布指 k 个不同状态的单个离散型随机变量的分布, k 为有限值。该分布由向量 (pinleft[0,1right]^{k-1}) 参数化,每个分量 (p_{i}) 表示第 i 个状态的概率,最后第 k 个状态的概率由1减去前 (k-1) 个状态的概率和得到。
3、高斯分布(正态分布)
因为中心极限定理及高斯分布的最大不确定性等原因,高斯分布是实数上最常用的分布。
[ Nleft(x;mu,sigma^{2}right)=sqrt{dfrac{1}{2pisigma^{2}}}expleft(-dfrac{1}{2sigma^{2}}left(x-muright)^{2}right) ]
其中 (mu) 是分布的均值, (sigma^{2}) 是分布的方差。
当高斯分布推广到 (R^{n}) 空间时,被称为多维正态分布:
[ Nleft( overline {x},overline {mu },Sigma right) =sqrt {dfrac {1}{left( 2pi right) ^{n}det left( Sigma right) }}expleft( -dfrac {1}{2}left( overline {x}-overline {mu }right) ^{T}Sigma ^{-1}left( overline {x}-overline {mu }right) right) ]
其中向量 (overline{mu}) 是分布的均值, (Sigma) 是正定对称矩阵,表示分布的协方差。
4、指数分布
指数分布是可以在 x=0 点处取得边界点的分布,通常深度学习中需要用到该分布。
[ pleft( x;lambda right) =lambda 1_{xgeq 0}exp left( -lambda xright) ]
其中指数函数 (1_{xgeq 0}) 表示当 x<0 时的概率为 0。
5、Laplace 分布
Laplace 分布允许我们在任意一点 (mu) 处设置概率质量的峰值。
[ Laplaceleft( X;mu ,gammaright)=dfrac {1}{2gamma }expleft( -dfrac {left| x-mu right| }{gamma }right) ]
6、Dirac 分布
Dirac 分布的所有质量都集中在一点,可以通过Dirac delta 函数(即脉冲函数)来定义概率密度函数来实现:
[ p(x)=deltaleft(x-muright) ]
7、经验分布
经验分布将概率密度 (dfrac{1}{m}) 赋给 m 个点中的每一个。
[ widehat {P}left( xright) =dfrac {1}{m}sum ^{m}_{i=1}delta left( x-x^{left(iright)}right) ]
二、处理概率分布的常用函数
1、logistic sigmoid 函数
通常用来产生伯努利分布中的参数 (phi) ,范围是 (0,1)。
[ sigma left( xright) =dfrac {1}{1+exp left( -xright) } ]
2、softplus 函数
可以用来产生高斯分布的参数 (sigma) ,范围是 (left(0,inftyright))。
[ zeta left( xright) =log left( 1+exp left( xright) right) ]
- 还没有人评论,欢迎说说您的想法!