第二章:probability distribution
来源:互联网 发布:sql server bi 编辑:程序博客网 时间:2024/06/18 12:42
1: Density Estimation: given a finite set
2: Parametric Distribution: assume a specific functional form for the distribution which is governed by a small number of adaptive parameters, such as the mean and variance in the case of Gaussian.
1): Frequentist Treatment: to choose specific values for the parameters by optimizing some criterion, such as the likelihood function.
2): Bayesian Treatment: to firstly introduce prior distributions over the parameters and then use Bayes’ theorem to compute corresponding posterior distribution given the observed data.
3: Nonparametric Density Estimation Method: the form of the distribution typically depends on the size of the data set. Such models contain parameters, but these control the model complexity rather than the form of the distribution.
4: Conjugate Priors: lead to posterior distributions having the same functional form as the prior. 先验函数中的参数称为超参数(hyperparameter),其控制着假设变量
2-1: Binary Variables:
1:假设单变量x只能取0和1这两个值,值为1的概率为u。则变量x对应的概率分布为
2:用极大似然法求解上述分布中的参数u:
假设我们有一个变量x的观察值数据集,
3:变量x=1的总次数m所服从的分布为
4:参数u的先验分布:
因此参数u的后验分布为
后验分布与先验分布有着相同的形式的好处是当我们观察了下一个数据集D时,上一个数据集推出的后验分布能够被视为是下一个数据集的先验分布。这能够被应用于squential Bayesian inference, 也就是得到一个观察后,可以算出后验分布,由于后验分布与原来的先验分布有着相同的形式,因此这个后验分布能够作为新的先验分布,用于下一个观察的数据,如此迭代下去。对于数据流(stream of data)的情况,这种方式可以实现real-time learning。
2-2:multinomial variables
1:如果一个离散变量有k个可能态,我们可以用1-K scheme来表示,也就是这个离散变量可以用一个k维的矢量
2:假设在N次观察中,
3:参数
经过贝叶斯变换以及归一化后,参数
2-3:The Gaussian Distribution
1:单变量的高斯分布:
对于一个D维矢量
2:高斯分布的缺点:
(1):参数太多,计算复杂(协方差矩阵的独立参数个数与维度D的平方同一量级);
(2):由于高斯分布是单峰的,因此不能刻画多峰的密度分布。
因此一方面高斯函数由于有太多的参数,所以很灵活,但另一方面,它有应用局限性。
为了解决缺点(2),离散的latent变量被介绍从而引入高斯混合模型(gaussian mixture)去刻画多峰问题。为了解决缺点(1),连续的latent变量被介绍去构造模型使该模型的自由参数数目不依懒于空间的维度D,然后依然能够很好的刻画数据之间的主要关联。
3:给定一个联合高斯分布
则条件分布
边际分布
4:假定
5: 给定一个数据集
6:我们之前谈论过,当贝叶斯方法应用于sequential method时,我们在一次观察后算出后验分布,然后当处理下一次观察时,把上次得到的后验分布当做这一次的先验分布,以此类推。
当我们把极大似然法应用于sequential method时,假设我们有一个单变量的密度分布
- 第二章:probability distribution
- 第二章:probability distribution
- 第二章:probability distribution exercise 1-11
- 第二章:probability distribution exercise12-22
- 第二章:probability distribution exercise 23-34
- 第二章:probability distribution exericse 35-44
- 第二章:probability distribution exercise45-52
- 第二章:probability distribution exercise 53-61
- PRML Notes- Chapter2 Probability Distribution
- PRML读书会第二章 Probability Distributions
- Study notes for Discrete Probability Distribution
- PRML读书笔记(2)——Probability Distribution
- What is Likelihood in terms of continuous probability distribution?
- 统计学 分布篇 - Uniform Probability Distribution(均匀分布)
- 联合概率(joint probability)、分布函数(distribution function)
- PRML Notes- Chapter2 Probability Distribution(2.1,2.2)
- Probability
- Probability
- 关于静态工厂方法和子类化
- 【Oracle 优化器】优化器(Optimizer )的架构演变和新功能概述
- Android JSBridge实现与前端的交互
- java做微信支付notify_url异步通知服务端的写法
- Centos Linux系统下配置网站开发环境(jdk7+mysql5.6+tomcat)
- 第二章:probability distribution
- 双向循环链表
- Activity创建流程
- Codeforces Round #355D (Div. 2) 暴力+BFS
- cocos2d-x Sprite::create(“filename.png”) returning null
- Maximal Square
- 【JZOJ3430】DY引擎
- ubuntu nameserver 127.0.1.1
- JavaScript跨域总结与解决办法