从Beta分布、Dirchlet分布到LDA主题模型

数学真心不太好呢，但是自己挖的坑就算是哭着也要填完，就像是双11下的单，吃土也得付款。。

打算从Beta分布开始讲起，大白话开始：

我们反复抛一枚硬币，假设我们不知道出现正面的概率，出现正面的概率记为e,然后根据我们的估计的就能得到下一次为正面的概率，这里用到的是先验概率，可是当我们抛之后有了事实之后就有了后验概率，我们根据经验而来的参数去估计某一个事件发生的概率，然后在根据发生后的事实来修正参数，这就是从先验概率到后验概率，那么Beta分布又起到怎样的作用呢？

我们可以用一个分布来描述参数e的分布情况吧，像硬币一样只会出现正反两种可能性的时候就可以用到Beta分布来描述

x 即为我们描述抛硬币出现正面的可能性，当然也可以认为是出现反面的可能，我们只是借助于Beta分布来描述参数的变化。a,b为已存在的经验，B（a,b）=（a-1）！*（b-1）！Beta分布可以从先验知识跨越到后验知识，当事实发生后，已经的经验发生变化，使得参数值也发生变化，因为参数是服务Beta分布的。虽然参数可以服从其他的分布，但是参数如果服从Beta分布的话，计算更为方便，因为参数e从先验知识跨越到后验知识时都是服从Beta分布的。