Python实现12种概率分布（附代码）

今天给大家带来的这篇文章是关于机器学习的，机器学习有其独特的数学基础，我们用微积分来处理变化无限小的函数，并计算

它们的变化；我们使用线性代数来处理计算过程；我们还用概率论与统计学建模不确定性。

在这其中，概率论有其独特的地位，模型的预测结果、学习过程、学习目标都可以通过概率的角度来理解。

与此同时，从更细的角度来说，随机变量的概率分布也是我们必须理解的内容。在这篇文章中，项目作者介绍了所有你需要了解

的统计分布，他还提供了每一种分布的实现代码。

项目地址：https://github.com/graykode/distribution-is-all-you-need

下面让我们先看看总体上概率分布都有什么吧：

Python学习交流Q群：906715085###
非常有意思的是，上图每一种分布都是有联系的。比如说伯努利分布，它重复几次就是二项分布，如果再扩展到多类别，就成为


了多项式分布。注意，其中共轭（conjugate）表示的是互为共轭的概率分布；Multi-Class 表示随机变量多于 2 个；N Times 表示



我们还会考虑先验分布 P(X)。

在贝叶斯概念理论中，如果后验分布 p(θ | x) 与先验分布 p(θ) 是相同的概率分布族，那么后验分布可以称为共轭分布，先验分布

可以称为似然函数的共轭先验。

为了学习概率分布，项目作者建议我们查看 Bishop 的模式识别与机器学习。当然，你要是准备再过一遍《概率论与数理统计》，

那也是极好的。

概率分布与特性

1. 均匀分布（连续型）

均匀分布是指闭区间 [a, b] 内的随机变量，且每一个变量出现的概率是相同的。

2. 伯努利分布ÿ