二维高斯分布_机器学习基础之高斯分布

本文深入探讨了高斯分布,从一维情况开始,逐步讲解到二维高斯分布,并涉及协方差矩阵和马氏距离的概念。讨论了高维分布的挑战,如参数增多问题,提出简化策略。同时提到了高斯分布的局限性,如无法很好地拟合多峰分布,以及条件高斯分布的相关知识。
摘要由CSDN通过智能技术生成

假设我们有数据N个样本,每个样本都是一个p维数据,

7a931b133cdc50788125cc336396d0d5.png

此处xi是p维,每个x都是独立同分布的,服从高纬的高斯分布。

我们假设参数θ 是固定的,那我们就可以通过最大似然估计来求 θ

先来看最简单的情形,每个数据都是一维:

ffaad675cb96c2cbac9c2399680cbfa5.png


分别求两个参数的极值

3c032e6055582706732b329effae2fa9.png
bc8dab6baa4def252ad028bd883393b5.png


下面解释两个非常重要的概念:有偏估计和无偏估计。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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