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)
在一些情况下,我们希望概率分布中的所有质量都集中在一个点上。这可以通过 Dirac delta函数
δ
(
x
)
\delta(x)
δ(x)定义概率密度函数来实现:
p
(
x
)
=
δ
(
x
−
μ
)
p(x)=\delta(x-\mu)
p(x)=δ(x−μ)
Dirac delta函数被定义成在除了0以外的所有点的值都为0,但是积分为1。 Dirac delta函数不像普通函数一样对x的每一个值都有一个实数值的输出,它是一种不同类型的数学对象,被称为广义函数,广义函数是依据积分性质定义的数学对象。我们可以把 Dirac delta函数想成一系列函数的极限点,这一系列函数把除0以外的所有点的概率密度越变越小通过把 p ( x ) p(x) p(x)定义成 δ ( x ) \delta(x) δ(x)函数左移 − μ -\mu −μ个单位,我们得到了一个在 x = μ x=\mu x=μ处具有无限窄也无限高的峰值的概率质量。