鍵.png)
使用這些基本 REST API 最佳實(shí)踐構(gòu)建出色的 API
Multi-Class
表示隨機(jī)方差大于 2。N Times
意味著我們還考慮先驗(yàn)概率 P(X)。在貝葉斯概率論中,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
均勻分布在 [a,b] 上具有相同的概率值,是簡單概率分布。
"""
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()
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。
指數(shù)分布是 α 為 1 時(shí) γ 分布的特例。
高斯分布是一種非常常見的連續(xù)概率分布。
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。
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