深度学习必懂的 13 种概率分布
Posted 大数据v
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了深度学习必懂的 13 种概率分布相关的知识，希望对你有一定的参考价值。
导读：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。
来源：AI开发者
原文链接：
https://github.com/graykode/distribution-is-all-you-need
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：
01 均匀分布（连续）
代码：
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。
02 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，那么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。
03 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。
04 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。
05 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。
06 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。
07 Dirichlet 分布（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。
08 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。
09 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。
延伸阅读👇
延伸阅读《神经网络与深度学习》
干货直达👇
更多精彩👇
在公众号对话框输入以下关键词
查看更多优质内容！
读书 | 书单 | 干货 | 讲明白 | 神操作 | 手把手
大数据 | 云计算 | 数据库 | Python | 爬虫 | 可视化
AI | 人工智能 | 机器学习 | 深度学习 | NLP
5G | 中台 | 用户画像 | 数学 | 算法 | 数字孪生
据统计，99%的大咖都关注了这个公众号
👇
以上是关于深度学习必懂的 13 种概率分布的主要内容，如果未能解决你的问题，请参考以下文章