统计基础
前言
机器学习需要深厚的数学基础,矩阵、统计、优化,这些都是基本功。勿在浮沙筑高台!所以在本文中将总结学习统计基础知识,夯实基础!
正态分布
正态分布在机器学习中有着重要的应用,在数学上有这样一个结论:根据中心极限定理,多个随机变量之和服从正态分布。根据这个结论,在误差分析时,
可以认为所产生的误差是多个独立同分布误差的叠加,因此最终的误差服从正态分布。
- 单变量正态分布
N(x|μ,σ2)=1(2πσ2)12exp{−12(x−μ)2}
其中, E(x)=μ , var(x)=σ2 . - 多变量正态分布
N(X|μ,Σ)=1(2π)D21|Σ|12exp{−12(X−μ)TΣ−1(X−μ)}
其中, E(X)=μ , var(X)=Σ , Σ 是 n 阶对称正定矩阵。 而 Σ 是对称矩阵,所以存在正交矩阵 T(T′=T−1) ,使得 T′ΣT=Λ , 其中 Λ 是对角阵,其对角线上的元素 λ1,λ2,...,λn 是 Σ 的特征根。因为 Σ 是正定的,故 λ1,λ2,...,λn 都是正的。 - 高斯条件分布
对于联合分布 N(X|μ,Σ) , Λ=Σ−1 ,其中X=(xaxb),μ=(μaμb)Σ=(ΣaaΣbaΣabΣbb),Λ=(ΛaaΛbaΛabΛbb)则条件分布的概率为p(Xa|Xb)=N(X|μa|b,Λ−1aa)
μa|b=μa−Λ−1aaΛab(Xb−Xa)
边际分布的概率为p(Xa)=N(Xa|μa,Σaa) - 若 X 服从 N(μ,Σ) ,则 Y=AX+b 服从 N(Aμ+b,AΣA′)
- 混合高斯分布
高斯分布是一个单峰模型,其对于多峰模型的描述显然是不够的,所以引入了混合高斯分布,即多个高斯分布的凸组合p(x)=Σk=1KπkN(x|μk,Σk)
其中, Σk=1Kπk=1 , 0≤πk≤1
Γ 分布
-
Γ
函数
是阶乘在实数和复数上的扩展Γ(t)=∫∞0xt−1e−xdx当 t 为正整数时Γ(t)=(t−1)! -
Γ
函数性质
Γ(t+1)=tΓ(t)Γ(1)=1Γ(12)=π√ -
Γ
分布密度函数
f(x)=λαxα−1Γ(α)e−λx
称 x 服从参数为 α,λ 的 Γ 分布,记为 x Γ(α,λ) -
Γ
分布性质
Gamma分布中的参数 α 称为形状参数(shape parameter), λ 称为尺度参数(scale parameter)。在实验中,它模拟假设随机变量X为 等到第 α 件事发生所需之等候时间, α,λ 是两个分布调整参量。
E(x)=αλσ2(x)=αλ2
Beta分布
- Beta函数
B(p,q)=Γ(p)Γ(q)Γ(p+q)=∫10xp−1(1−x)q−1dx - Beta分布密度函数
Beta(μ|p,q)=Γ(p+q)Γ(p)Γ(q)μp−1(1−μ)q−1=1B(p,q)μp−1(1−μ)q−1
其均值和方差如下所示:E(μ)=pp+qvar(μ)=pq(p+q)2(p+q+1)
Beta分布是区间 [0,1] 上的单峰分布,所以可以在某些情况下对数据进行很好的描述。比如,其可作为伯努利分布的贝叶斯参数估计时的先验分布。
Dirichlet分布
- 定义
Dir(μ|α)=Γ(α0)Γ(α1)...Γ(αk)∏k=1Kμαk−1k其中 α0=Σk=1Kαk - Beta分布与Dirichlet分布的关系
- Beta分布对应二项分布,Dirichlet对应多项分布
- Beta分布是Dirichlet分布的特例
指数族分布
- 定义
若 x 的概率密度可以表示为p(x|η)=h(x)g(η)exp{ηTu(x)}则称此分布为指数族分布。其中, η 称为自然参数, u(x) 是 x 的函数, g(η) 可以看作是归一化概率密度的参数,即g(η)∫h(x)exp{ηTu(x)}=1 - 实例
二项分布、多项分布、指数分布、Gamma分布等