貝葉斯概率論中,如果后驗(yàn)分布 p(θx)與先驗(yàn)概率分布 p(θ)在同一概率分布族中,則先驗(yàn)和后驗(yàn)稱為共軛分布,先驗(yàn)稱為似然函數(shù)的共軛先驗(yàn)。

共軛先驗(yàn)維基百科在這里(https://en.wikipedia.org/wiki/Conjugate_prior)。無損原圖可見:https://github.com/graykode/distribution-is-all-you-need/blob/master/overview.pptx

二、分布概率與特征

1. 均勻分布(連續(xù))

均勻分布在 [a,b] 上具有相同的概率值,是簡單概率分布。

2. 伯努利分布(離散)

3. 二項(xiàng)分布(離散)

"""
各分布的生成代碼(算法進(jìn)階 附注):
https://github.com/graykode/distribution-is-all-you-need
Code by Tae-Hwan Hung(@graykode)
"""
import numpy as np
from matplotlib import pyplot as plt

import operator as op
from functools import reduce

def const(n, r):
r = min(r, n-r)
numer = reduce(op.mul, range(n, n-r, -1), 1)
denom = reduce(op.mul, range(1, r+1), 1)
return numer / denom

def binomial(n, p):
q = 1 - p
y = [const(n, k) * (p ** k) * (q ** (n-k)) for k in range(n)]
return y, np.mean(y), np.std(y)

for ls in [(0.5, 20), (0.7, 40), (0.5, 40)]:
p, n_experiment = ls[0], ls[1]
x = np.arange(n_experiment)
y, u, s = binomial(n_experiment, p)
plt.scatter(x, y, label=r'$\mu=%.2f,\ \sigma=%.2f$' % (u, s))

plt.legend()
plt.savefig('graph/binomial.png')
plt.show()

4. 多伯努利分布,分類分布(離散)

5. 多項(xiàng)式分布(離散)

多項(xiàng)式分布與分類分布的關(guān)系與伯努爾分布與二項(xiàng)分布的關(guān)系相同。

6. β分布(連續(xù))

7. Dirichlet 分布(連續(xù))

8. 伽馬分布(連續(xù))

9. 指數(shù)分布(連續(xù))

指數(shù)分布是 α 為 1 時(shí) γ 分布的特例。

10. 高斯分布(連續(xù))

高斯分布是一種非常常見的連續(xù)概率分布。

11. 正態(tài)分布(連續(xù))

正態(tài)分布為標(biāo)準(zhǔn)高斯分布,平均值為 0,標(biāo)準(zhǔn)差為 1。

12. 卡方分布(連續(xù))

13. t 分布(連續(xù))

t 分布是對稱的鐘形分布,與正態(tài)分布類似,但尾部較重,這意味著它更容易產(chǎn)生遠(yuǎn)低于平均值的值。

代碼:https://github.com/graykode/distribution-is-all-you-need/

文章轉(zhuǎn)自微信公眾號@算法進(jìn)階

上一篇:

深度神經(jīng)網(wǎng)絡(luò)的全面概覽:從模型到硬件加速

下一篇:

深度神經(jīng)網(wǎng)絡(luò)剪枝綜述
#你可能也喜歡這些API文章!

我們有何不同?

API服務(wù)商零注冊

多API并行試用

數(shù)據(jù)驅(qū)動選型,提升決策效率

查看全部API→
??

熱門場景實(shí)測,選對API

#AI文本生成大模型API

對比大模型API的內(nèi)容創(chuàng)意新穎性、情感共鳴力、商業(yè)轉(zhuǎn)化潛力

25個(gè)渠道
一鍵對比試用API 限時(shí)免費(fèi)

#AI深度推理大模型API

對比大模型API的邏輯推理準(zhǔn)確性、分析深度、可視化建議合理性

10個(gè)渠道
一鍵對比試用API 限時(shí)免費(fèi)