统计基础

时间：2014-06-20 08:58:41 阅读：402 评论：0 收藏：0 [点我收藏+]

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
$N (x | μ, σ 2) = 1 ( 2 π σ 2 ) 1 2 e x p {? 1 2 (x ? μ) 2}$
其中,E(x)=μ, var(x)=σ2.
多变量正态分布
$N (X | μ, Σ) = 1 ( 2 π ) D 2 1 | Σ | 1 2 e x p {? 1 2 (X ? μ) T Σ ? 1 (X ? μ)}$
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 $X = (x a x b), μ = (μ a μ b)$ $Σ = (Σ a a Σ b a Σ a b Σ b b), Λ = (Λ a a Λ b a Λ a b Λ b b)$ 则条件分布的概率为 $p (X a | X b) = N (X | μ a | b, Λ ? 1 a a)$
$μ a | b = μ a ? Λ ? 1 a a Λ a b (X b ? X a)$
边际分布的概率为 $p (X a) = N (X a | μ a, Σ a a)$
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 $p (x) = Σ k = 1 K π k N (x | μ k, Σ k)$
其中，Σk=1Kπk=1，0≤πk≤1

Γ函数
是阶乘在实数和复数上的扩展 $Γ (t) = \int \infty 0 x t ? 1 e ? x d x$ 当t为正整数时 $Γ (t) = (t ? 1)!$
Γ函数性质
$Γ (t + 1) = t Γ (t)$ $Γ (1) = 1$ $Γ (1 2) = π \sqrt$
Γ分布密度函数
$f (x) = λ α x α ? 1 Γ ( α ) e ? λ x$
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。
$E (x) = α λ$ $σ 2 (x) = α λ 2$

Beta函数
$B (p, q) = Γ ( p ) Γ ( q ) Γ ( p + q ) = \int 10 x p ? 1 (1 ? x) q ? 1 d x$
Beta分布密度函数
$B e t a (μ | p, q) = Γ ( p + q ) Γ ( p ) Γ ( q ) μ p ? 1 (1 ? μ) q ? 1 = 1 B ( p , q ) μ p ? 1 (1 ? μ) q ? 1$
其均值和方差如下所示： $E (μ) = p p + q$ $v a r (μ) = p q ( p + q ) 2 ( p + q + 1 )$
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。

定义
$D i r (μ | α) = Γ ( α 0 ) Γ ( α 1 ) . . . Γ ( α k ) \prod k = 1 K μ α k ? 1 k$ 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

定义
若x的概率密度可以表示为 $p (x | η) = h (x) g (η) e x p {η T u (x)}$ 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 $g (η) \int h (x) e x p {η T u (x)} = 1$
实例
二项分布、多项分布、指数分布、Gamma分布等

原文：http://blog.csdn.net/traceorigin/article/details/28523203

踩

(0)

评论一句话评论（0）

分享档案

更多>