概率机器学习笔记

rush_mj

已于 2023-04-18 21:29:59 修改

阅读量449

点赞数

文章标签：笔记机器学习

于 2023-04-18 20:51:07 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/rush_mj/article/details/130230632

版权

1.单变量高斯混合分布

原书对结果的得出没有给出解释，我比较困惑，网上找到了一篇推导的帖子，看完就明白了。

式2.49的解释:

红框即为关键处，这是显而易见的期望，不过是条件方差的期望：

该证明的作者：@MISC {16609,
TITLE = {What is the variance of the weighted mixture of two gaussians?},
AUTHOR = {whuber (https://stats.stackexchange.com/users/919/whuber)},
HOWPUBLISHED = {Cross Validated},
NOTE = {URL:https://stats.stackexchange.com/q/16609 (version: 2015-05-20)},
EPRINT = {https://stats.stackexchange.com/q/16609},
URL = {https://stats.stackexchange.com/q/16609}
}

这是一个完美的 $\mathbb{V}\left[X\right]=E_Y\left[\mathbb{V}\left.\left[X\mid Y\right]\right]+\mathbb{V}_Y\left[\begin{array}{c}\mu_{X\mid Y}\end{array}]\right.\right.$ 的推导。

$E_Y\left[\mathbb{V}\left.\left[X\mid Y\right]\right]\right.=\sum_i{p_i \sigma^2_i}$

$\mathbb{V}_Y\left[\begin{array}{c}\mu_{X\mid Y}\end{array}]\right.={\sum_i{p_i\left(\mu_i^{(1)}\right)^2}-\left(\sum_i{p_i\mu_i^{(1)}}\right)^2.}$

式2.50的解释：

在刚刚的推导里如下公式，按这个也可以解

但是作者的思路用了 $\overline{\mu}$ ，这就让人看不懂，所以询问了GPT，GPT给出了解答：

这两个证明都是基于直觉的，所以容易理解。

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。