Deep learning ( 1 )
来源:互联网 发布:ubuntu如何重启 编辑:程序博客网 时间:2024/06/08 06:06
今天开始学习 Machine Learning,接下来还有 Deep Learning & Pattern Recognition ,为机器视觉方面知识的系统学习做准备。
相关知识
分布函数:
分布函数(cumulant distribution function,cdf)是概率统计中重要的的函数,正是通过它,可用数学分析的方法来研究随机变量。
设X是一个随机变量,x是任意实数,函数 称为X的分布函数。有时也记为X~F(x)
对于任意实数 ,
因此,若已知X的分布函数,就可以知道X落在任一区间(x1,x2]上的概率,在这个意义上说,分布函数完整地描述了随机变量的统计规律性。
如果将X看成是数轴上的随机点的坐标,那么,分布函数F(x)在x处的函数值就表示X落在区间(-∞,x]上的概率。
F(x)为随机变量X的分布函数,其充分必要条件为
(1)(非降性)
(2)(有界性)
(3)右连续性 ;
联合分布:
随机变量X和Y的联合分布函数是设(X,Y)是二维随机变量,对于任意实数x,y,二元函数:F(x,y) = P{(X<=x) 交 (Y<=y)} => P(X<=x, Y<=y)称为二维 随机变量(X,Y)的分布函数。
设E是一个随机试验,它的样本空间是S={e}。设X=X(e)和Y=Y(e)是定义在S上的随机变量,由它们构成的一个向量(X,Y),叫做二维随机向量或 二维随机变量。
设(X,Y)是二维随机变量,对于任意实数x,y,二元函数:
F(x,y) = P{(X<=x) 交 (Y<=y)} => P(X<=x, Y<=y)
称为:二维随机变量(X,Y)的分布函数,或称为随机变量X和Y的联合分布函数
联合概率分布的几何意义
如果将二维随机变量(X,Y)看成是平面上随机点的坐标,那么分布函数F(x,y)在(x,y)处的函数值就是随机点(X,Y)落在以点(x,y)为顶点而位于该点左 下方的无穷矩形域内的概率。
对离散随机变量而言,联合分布概率密度函数为Pr(X = x & Y = y),即
P(X=x and Y=y)=P(Y=y∣X=x)P(X=x)=P(X=x∣Y=y)P(Y=y)=P(X<=xi, Y<yi)
因为是概率分布函数,所以必须有
∑x∑yP(X=x and Y=y)=1
互信息:
互信息(Mutual Information)是信息论里一种有用的信息度量,它可以看成是一个随机变量中包含的关于另一个随机变量的信息量,或者说是一个随 机变量由于已知另一个随机变量而减少的不肯定性。
设两个随机变量 的联合分布为 ,边际分布分别为 ,互信息 是联合分布 与乘积分布 的相 对熵,即
互信息与多元对数似然比检验以及皮尔森 校验有着密切的联系。
信息的含义
信息是物质、能量、信息及其属性的标示。逆维纳信息定义
信息是确定性的增加。逆香农信息定义
信息是事物现象及其属性标识的集合。
互信息的含义
信息论中的互信息
一般而言,信道中总是存在着噪声和干扰,信源发出消息x,通过信道后信宿只可能收到由于干扰作用引起的某种变形的y。信宿收到y后推测信源发出x的概率,这一过程可由后验概率p(x|y)来描述。相应地,信源发出x的概率p(x)称为先验概率。我们定义x的后验概率与先验概率比值的对数为y对x的互信息量(简称互信息)。[1]
根据熵的连锁规则,有
因此,
这个差叫做X和Y的互信息,记作I(X;Y)。
按照熵的定义展开可以得到:
非负性
链法则
数据处理不等式
如果 构成马式链,则
其他
某个词t和某个类别Ci传统的互信息定义如下:
互信息是计算语言学模型分析的常用方法,它度量两个对象之间的相互性。在过滤问题中用于度量特征对于主题的区分度。互信息的定义与交叉熵近似。互信息本来是信息论中的一个概念,用于表示信息之间的关系, 是两个随机变量统计相关性的测度,使用互信息理论进行特征抽取是基于如下假设:在某个特定类别出现频率高,但在其他类别出现频率比较低的词条与该类的互信息比较大。通常用互信息作为特征词和类别之间的测度,如果特征词属于该类的话,它们的互信息量最大。由于该方法不需要对特征词和类别之间关系的性质作任何假设,因此非常适合于文本分类的特征和类别的配准工作。
0 0
- 【Deep Learning】1、AutoEncoder
- Deep Learning(1)
- Deep Learning笔记1
- Deep learning ( 1 )
- Deep Learning Notes 1
- 《Deep Learning》(1)-介绍
- (1)Deep learning简介
- 【Deep Learning启始篇-1】:Connectionist Learning Procedure
- Deep Learning v0.1 documentation
- Deep Learning Exercise 1-3
- Deep learning
- deep learning
- 【deep learning】
- Deep Learning
- Deep Learning
- deep learning
- Deep learning
- deep learning
- Scala学习第四天 Scala的For与Function进阶实战、Lazy的使用
- Linux目录结构
- 论测试的主要责任
- The 2014 ACM-ICPC Asia Regional Contest Xi'an Site K ast Defence
- Android TextUtils类介绍
- Deep learning ( 1 )
- 总结-版本发布后软件测试人员要做的工作
- PHP开发规范
- 华为OJ(递推公式)
- Android UI设计:自定义Dialog
- 单例模式下的双检锁DCL
- 你真的了解分层架构吗?——写给被PetShop"毒害"的朋友
- Linux mount-挂载移动硬盘
- 【环境配置】Centos7 nginx+php+redis环境搭建