機器學習開發(fā)者需要了解的 12 種概率分布，這些你都了解嗎？
機器學習有其獨特的數(shù)學基礎(chǔ)，我們用微積分來處理變化無限小的函數(shù)，并計算它們的變化；我們使用線性代數(shù)來處理計算過程；我們還用概率論與統(tǒng)計學建模不確定性。在這其中，概率論有其獨特的地位，模型的預測結(jié)果、學習過程、學習目標都可以通過概率的角度來理解。與此同時，從更細的角度來說，隨機變量的概率分布也是我們必須理解的內(nèi)容。在這篇文章中，項目作者介紹了所有你需要了解的統(tǒng)計分布，他還提供了每一種分布的實現(xiàn)代碼。項目地址：https://github.com/graykode/distribution-is-all-you-need非常有意思的是，上圖每一種分布都是有聯(lián)系的。比如說伯努利分布，它重復幾次就是二項分布，如果再擴展到多類別，就成為了多項式分布。注意，其中共軛（conjugate）表示的是互為共軛的概率分布；Multi-Class 表示隨機變量多于 2 個；N Times 表示我們還會考慮先驗分布 P(X)。在貝葉斯概念理論中，如果后驗分布 p(θ | x) 與先驗分布 p(θ) 是相同的概率分布族，那么后驗分布可以稱為共軛分布，先驗分布可以稱為似然函數(shù)的共軛先驗。為了學習概率分布，項目作者建議我們查看 Bishop 的模式識別與機器學習。當然，你要是準備再過一遍《概率論與數(shù)理統(tǒng)計》，那也是極好的。均勻分布是指閉區(qū)間 [a, b] 內(nèi)的隨機變量，且每一個變量出現(xiàn)的概率是相同的。伯努利分布并不考慮先驗概率 P(X)，它是單個二值隨機變量的分布。它由單個參數(shù)φ∈ [0, 1] 控制，φ 給出了隨機變量等于 1 的概率。我們使用二元交叉熵函數(shù)實現(xiàn)二元分類，它的形式與對伯努利分布取負對數(shù)是一致的。二項分布是由伯努利提出的概念，指的是重復 n 次獨立的伯努利試驗。在每次試驗中只有兩種可能的結(jié)果，而且兩種結(jié)果發(fā)生與否互相對立。4.Multi-Bernoulli 分布（離散型）Multi-Bernoulli 分布又稱為范疇分布（Categorical distribution），它的類別超過 2，交叉熵的形式與該分布的負對數(shù)形式是一致的。范疇分布是多項式分布（Multinomial distribution）的一個特例，它與范疇分布的關(guān)系就像伯努利分布與二項分布之間的關(guān)系。貝塔分布（Beta Distribution) 是一個作為伯努利分布和二項式分布的共軛先驗分布的密度函數(shù)，它指一組定義在 (0,1) 區(qū)間的連續(xù)概率分布。均勻分布是 Beta 分布的一個特例，即在 alpha=1、 beta=1 的分布。狄利克雷分布（Dirichlet distribution）是一類在實數(shù)域以正單純形（standard simplex）為支撐集（support）的高維連續(xù)概率分布，是 Beta 分布在高維情形的推廣。在貝葉斯推斷中，狄利克雷分布作為多項式分布的共軛先驗得到應用，在機器學習中被用于構(gòu)建狄利克雷混合模型。Gamma 分布是統(tǒng)計學中的常見連續(xù)型分布，指數(shù)分布、卡方分布和 Erlang 分布都是它的特例。如果 Gamma(a,1) / Gamma(a,1) + Gamma(b,1)，那么 Gamma 分布就等價于 Beta(a, b) 分布。指數(shù)分布可以用來表示獨立隨機事件發(fā)生的時間間隔，比如旅客進入機場的時間間隔、打進客服中心電話的時間間隔等等。當 alpha 等于 1 時，指數(shù)分布就是 Gamma 分布的特例。高斯分布或正態(tài)分布是最為重要的分布之一，它廣泛應用于整個機器學習的模型中。例如，我們的權(quán)重用高斯分布初始化、我們的隱藏向量用高斯分布進行歸一化等等。當正態(tài)分布的均值為 0、方差為 1 的時候，它就是標準正態(tài)分布，這也是我們最常用的分布。簡單而言，卡方分布（Chi-squared）可以理解為，k 個獨立的標準正態(tài)分布變量的平方和服從自由度為 k 的卡方分布。卡方分布是一種特殊的伽瑪分布，是統(tǒng)計推斷中應用最為廣泛的概率分布之一，例如假設(shè)檢驗和置信區(qū)間的計算。學生 t-分布（Student t-distribution）用于根據(jù)小樣本來估計呈正態(tài)分布且變異數(shù)未知的總體，其平均值是多少。t 分布也是對稱的倒鐘型分布，就如同正態(tài)分布一樣，但它的長尾占比更多，這意味著 t 分布更容易產(chǎn)生遠離均值的樣本。上面多種分布的 NumPy 構(gòu)建方式以及制圖方式都提供了對應的代碼，讀者可在原項目中查閱。如下所示展示了指數(shù)分布的構(gòu)建的制圖方式，我們可以直接定義概率密度函數(shù)，再打印出來就好了。import numpy as np
from matplotlib import pyplot as plt
def exponential(x, lamb):
y = lamb * np.exp(-lamb * x)
return x, y, np.mean(y), np.std(y)
for lamb in [0.5, 1, 1.5]:
x = np.arange(0, 20, 0.01, dtype=np.float)
x, y, u, s = exponential(x, lamb=lamb)
plt.plot(x, y, label=r'$mu=%.2f, sigma=%.2f,'
r' lambda=%d$' % (u, s, lamb))
plt.legend()
plt.savefig('graph/exponential.png')
plt.show()
往期精彩：
男人30歲，不該有暮氣
【原創(chuàng)首發(fā)】機器學習公式推導與代碼實現(xiàn)30講.pdf
【原創(chuàng)首發(fā)】深度學習語義分割理論與實戰(zhàn)指南.pdf
談中小企業(yè)算法崗面試
算法工程師研發(fā)技能表
真正想做算法的，不要害怕內(nèi)卷
算法工程師的日常，一定不能脫離產(chǎn)業(yè)實踐
技術(shù)學習不能眼高手低
技術(shù)人要學會自我營銷
做人不能過擬合
求個在看
