高斯分布是概率统计、机器学习等领域非常重要的一类分布，而多元高斯分布是单元高斯分布在高维数据下的表现形式。多元高斯分布中有一条重要的性质，如果两个变量集的联合是高斯分布，那么其中一个变量集在以另一个变量集为条件下的分布依然是高斯分布，并且可以通过公式推导求出该条件的期望和方差。下面给出具体分析。
假设D维向量x服从高斯分布 N ( x ∣ μ , Σ ) N(\textbf{x}|\bm{\mu}, \bm{\Sigma}) N(x∣μ,Σ)，将x分割为两个分量 x a x_a xa和 x b x_b xb，其中 x a x_a xa包含x的前M个分量， x b x_b xb中则包含剩余D-M个分量，相应的，将均值和方差也按照同样的规则分割，即
其中， Σ \bm{\Sigma} Σ为对称矩阵，并且 Σ a a \bm{\Sigma}_{aa} Σ
多元条件高斯分布的均值和方差的数学推导（Bishop: Patten Recognition and Machine Learning 第二章）
最新推荐文章于 2024-04-22 16:19:35 发布
高斯分布是概率统计、机器学习等领域非常重要的一类分布，而多元高斯分布是单元高斯分布在高维数据下的表现形式。多元高斯分布中有一条重要的性质，如果两个变量集的联合是高斯分布，那么其中一个变量集在以另一个变量集为条件下的分布依然是高斯分布，并且可以通过公式推导求出该条件的期望和方差。下面给出具体分析。假设D维向量x服从高斯分布N(x∣μ,Σ)N(\textbf{x}|\bm{\mu}, \bm{\Si...
最低0.47元/天 解锁文章
6987
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
