高斯分布

最新推荐文章于 2023-10-21 14:15:09 发布
最新推荐文章于 2023-10-21 14:15:09 发布
阅读量1k 收藏
点赞数
分类专栏： 笔记 吴恩达机器学习 高斯分布
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/swan777/article/details/90402852
版权

高斯分布，也称为正态分布。

通常如果我们认为变量 x 符合高斯分布 x~N(μ,σ2)则其概率密度函数为： 

      ：均值     ：方差

我们可以利用已有的数据来预测总体中的 μ 和 σ2 的计算方法如下： 

注：机器学习中对于方差我们通常只除以 m 而非统计学中的（m-1）。只要你有一个还算大的训练集，到底是选择使用 1/m 还是 1/(m-1)其实区别很小。在机器学习领域大部分人更习惯使用 1/m 这个版本的公式。这两个版本的公式在理论特性和数学特性上稍有不同，但是在实际使用中，他们的区别甚小，几乎可以忽略不计。

高斯分布样例： （注意，高斯分布的概率密度面积是不变的）

swan777
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
高斯相除
01-26 2128
The distribution of Complex Gaussian is (1)Nc(x|a,A)∝exp⁡[−(x−a)HA−1(x−a)]" role="presentation" style="position: relative;">Nc(x|a,A)∝exp[−(x−a)HA−1(x−a)](
学习笔记：Gaussian distribution 高斯分布特殊性质及简单具体实现
Gm1y's Blog
07-28 1984
高斯分布（正态分布） 高斯分布可以写成如下形式： ρs(x)=(1s)∗e−π(x−u)2s2，s=2π∗σ ρ_s (x)=(\frac{1}{s})*e ^\frac{-π(x-u)^2}{s^2}，s=\sqrt{2π}*σρs​(x)=(s1​)∗es2−π(x−u)2​，s=2π​∗σ 当u=0，s固定不变时，ρs(x)ρ_s (x)ρs​(x)只与x的值有关。 性质： 1.乘法概率分布（product distribution） 即多维的高斯分布可以写成一维高斯分布的乘积。 ρs(x)=ρs(x
概率论总结(3)——高斯分布(正太分布)
feidaji的博客
08-09 6927
一元高斯分布(正太分布) 标准高斯分布(标准正太分布) 二维高斯分布 多维高斯分布 高斯分布的四则运算 加减法运算 乘除运算 ...
高斯分布的数乘，相加，相乘还是高斯分布吗？
share727186630的博客
08-29 7162
高斯分布的数乘，相加，相乘还是高斯分布吗？  首先当随机变量Y=g(X)Y=g(X)Y=g(X)时,两者的PDF具有这样的关系fY(y)=fX(x)∣dxdy∣f_{Y}(y)=f_{X}(x)\lvert\frac{dx}{dy}\rvertfY​(y)=fX​(x)∣dydx​∣ 具体来说FY(y)=P(Y≤y)=P(g(X)≤y)=P(X≤g−1(y))=FX(g−1(y))=FX(x)F_{Y}(y)=P(Y\leq y)=P\left(g(X)\leq y\right)=P\left(X\leq
高斯分布中均值，方差，协方差的计算及matlab实现
机器智能
09-03 3万+
原帖请见：http://blog.sina.com.cn/s/blog_4aa4593d01012am3.html 今天看论文的时候又看到了协方差矩阵这个破东西，以前看模式分类的时候就特困扰，没想到现在还是搞不清楚，索性开始查协方差矩阵的资料，恶补之后决定马上记录下来，嘿嘿~本文我将用自认为循序渐进的方式谈谈协方差矩阵。 统计学的基本概念 学过概率统计的孩子都
高斯分布与高斯过程
qq_40369277的博客
10-21 673
下图是高斯过程的可视化，其中蓝线是高斯过程的均值，浅蓝色区域 95% 置信区间（由协方差矩阵的对角线得到），每条虚线代表一个函数采样（这里用了 100 维模拟连续无限维）。左上角第一幅图是高斯过程的先验（这里用了零均值作为先验），后面几幅图展示了当观测到新的数据点的时候，高斯过程如何更新自身的均值函数和协方差函数。上式其实就是高斯过程回归的基本公式，首先有一个高斯过程先验分布，观测到一些数据（机器学习中的训练数据），基于先验和一定的假设（联合高斯分布）计算得到高斯过程后验分布的均值和协方差。
多元高斯分布的边际分布与条件分布
03-30
MCMC算法--Gibbs采样2：多元高斯分布的边际分布与条件分布
python 高斯分布二维高斯分布代码
07-12
本代码为Python3.x，包括高斯分布及二维高斯分布代码，使用了numpy、scipy、matplotlib等包，适合初学者使用
Python画图高斯分布的示例
12-31
如下所示： import matplotlib.pyplot as plt import numpy as np import math def gaussian(sigma, x, u): y = np.exp(-(x - u) ** 2 / (2 * sigma ** 2)) / (sigma * math.sqrt(2 * math.pi)) ...
复高斯分布的数学基础理论.pdf
11-23
复高斯分布的数学基础理论，包括复高斯的随机变量、随机分布，二维分布和随机矢量，莱斯分布的概率密度函数，供参考。
Python 图像处理: 生成二维高斯分布蒙版的实例
09-19
在图像处理领域，高斯分布蒙版是一种常用的工具，它基于数学中的高斯函数来创建一个二维权重矩阵，常用于模糊、平滑或加权计算等操作。本篇将详细介绍如何使用Python生成二维高斯分布蒙版，并通过具体实例演示其实现...
高斯分布相乘
Nicola.Zhang
12-02 1128
高斯分布相乘 注意：其中关于二次求导部分有错误！
两个高斯分布相乘结果是什么？
michaelhan3的博客
12-31 1万+
参考：http://www.tina-vision.net/docs/memos/2003-003.pdf    
数学基础--高斯分布详解
积木的笔记
12-24 3万+
正态分布（Normal Distribution），又名高斯分布（Gaussian Distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。约翰·卡尔·弗里德里希·高斯（Johann Carl Friedrich Gauss）是德国著名数学家、物理学家、天文学家、大地测量学家，他是近代数学奠基者之一，被认为是历史上最重要的数学家之一，并享有“数学王子”的美誉。他的头像也被印在以前德国的官方货币（德国马克 10 马克）上，如图 1 所示。
高斯分布（Gaussian distribution）/正态分布（Normal distribution）
ZYTTAE的专栏
11-13 2万+
正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。 若随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布，记为： X∼N(μ,σ2), 则其概率密度函数为 正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度
两个高斯分布乘积的理论推导
chaosir的专栏
06-23 4万+
本文主要推导高斯分布（正态分布）的乘积，以便能更清楚的明白Kalman滤波的最后矫正公式。 Kalman滤波主要分为两大步骤： 1.系统状态转移估计，2.系统测量矫正； 在第2步中的主要理论依据就是两个独立高斯分布的乘积如何计算的问题，即如何融合 估计值 和 观测值 得到系统状态的最优估计。 高斯分布的概率密度函数： f(x)=12πδe−(x−u)22δ2(1) f(x) = \frac{1}{\sqrt{2\pi}\delta}{e^{-\frac{(x-u)^2}{2\delta^2}}} \ta
两个高斯分布相加（卷积）的理论推导
chaosir的专栏
06-25 4万+
本文主要推导两个高斯分布的相加结果。在知乎上有个问题：**正态分布随机变量的和还是正态分布吗？** 也是本文主要解决的问题。 直觉中，两个高斯（正态）随机变量的和似乎应该是两个概率密度函数的和，如下图所示，其结果就近似为两个概率密度的包络线，这明显是错误的，是用直觉推导数学，大错特错。 在解决此问题前，我们需要搞清楚两个高斯函数的和的物理意义，这里用经典的投骰子作为为例子更好理解。 离散卷积：投骰子 - 同时投求两个骰子所的点数相加得4的概率是多少？ 则其结果为 p1(1)p2(3)+p1(2.
os.path.join()函数用法详解
热门推荐
swan777的博客
04-05 21万+
os.path.join()函数用于路径拼接文件路径，可以传入多个路径 如果不存在以‘’/’开始的参数，则函数会自动加上 >>> import os >>> print(os.path.join('path','abc','yyy')) path\abc\yyy 存在以‘’/’’开始的参数，从最后一个以”/”开头的参数开始拼接，之前的参数全部丢弃。 ...
ansys 高斯分布
最新发布
11-22
ANSYS是一款广泛应用于工程领域的有限元分析软件，而高斯分布则是一种常见的概率分布。在ANSYS中，高斯分布被广泛用于模拟和分析实际系统中的随机变量。 高斯分布，也称为正态分布，具有钟形曲线的特征。它在自然界和许多实际问题中都得到了广泛的应用。高斯分布可以用来描述许多随机变量的概率分布，例如温度、压力、速度和强度等。 在ANSYS中，高斯分布常用于模拟和分析系统中的不确定性。通过假设随机变量具有高斯分布，可以推断出系统中的各种参数以及系统的行为。在进行随机变量敏感性分析时，高斯分布可以用于表示输入变量的不确定性。 ANSYS利用高斯分布可以进行 Monte Carlo 模拟分析。Monte Carlo 方法是一种基于随机数的计算方法，它通过在一定范围内随机生成多个满足高斯分布的随机数，来模拟和分析不确定性量。通过进行大量的模拟运算，可以得到系统输出的概率分布，从而对系统的性能进行评估和优化。 总之，高斯分布在ANSYS中被广泛应用于模拟和分析系统中的不确定性。通过使用高斯分布，我们可以理解系统的行为和性能，并进行优化设计。这使得ANSYS成为了工程领域中重要的分析工具之一。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值