分类目录:《机器学习中的数学》总目录
相关文章:
· 常用概率分布(一):伯努利分布(Bernoulli分布)
· 常用概率分布(二):范畴分布(Multinoulli分布)
· 常用概率分布(三):二项分布(Binomial分布)
· 常用概率分布(四):均匀分布(Uniform分布)
· 常用概率分布(五):高斯分布(Gaussian分布)/正态分布(Normal分布)
· 常用概率分布(六):指数分布(Exponential分布)
· 常用概率分布(七): 拉普拉斯分布(Laplace分布)
· 常用概率分布(八):狄拉克分布(Dirac分布)
· 常用概率分布(九):经验分布(Empirical分布)
· 常用概率分布(十):贝塔分布(Beta分布)
· 常用概率分布(十一):狄利克雷分布(Dirichlet分布)
· 常用概率分布(十二):逻辑斯谛分布(Logistic 分布)
指数分布是描述泊松过程中的事件之间的时间的概率分布,即事件以恒定平均速率连续且独立地发生的过程。 这是伽马分布的一个特殊情况。 它是几何分布的连续模拟,它具有无记忆的关键性质。 除了用于分析泊松过程外,还可以在其他各种环境中找到。
指数函数的一个重要特征是无记忆性。这表示如果一个随机变量呈指数分布,当
s
,
t
>
0
:
P
(
T
>
t
+
s
∣
T
>
t
)
=
P
(
T
>
s
)
s, t>0:P(T>t+s|T>t)=P(T>s)
s,t>0:P(T>t+s∣T>t)=P(T>s)。在深度学习中,我们经常会需要一个在
x
=
0
x=0
x=0点处取得边界点的分布。为了实现这一目的,我们可以使用 指数分布:
P
(
x
∣
λ
)
=
{
λ
e
−
λ
x
,
x
>
0
0
,
x
≤
0
P(x|\lambda)=\left\{ \begin{aligned} &\lambda e^{-\lambda x}\ &, x>0 \\ &0&,x\leq 0 \end{aligned} \right.
P(x∣λ)={λe−λx 0,x>0,x≤0