当前位置: 首页 > news >正文

统计学习方法(第二版) 概率分布学习

本文主要介绍机器学习的概率分布,帮助后续的理解。

定义直接从书上搬的想自己写,但没有定义准确,还浪费事件,作为个人笔记,遇到速查。

目录

一、二点分布(0-1分布、伯努利分布)

二、二项分布(离散分布)

三、泊松分布(离散分布)

四、范畴分布(离散分布)

五、均匀分布(连续分布)

五、正态分布、高斯分布、标准正态分布(连续分布)

六、指数分布(连续分布)

七、拉普拉斯分布(Laplace)(连续分布)

总结


一、二点分布(0-1分布、伯努利分布)

E(X) = p

Var(X) = p(1-p)

二、二项分布(离散分布)

E(X) = np

Var(X) = np(1-p)

三、泊松分布(离散分布)

E(X) = \lambda

Var(X) = \lambda

四、范畴分布(离散分布)

在这里举个例子吧!

比如说掷骰子结果有6中状态,也就是k = 6,可以知道6种情况的概率为1,所以当我们已知5种情况的概率,就能计算出剩一种情况的概率。这就是范畴分布。

五、均匀分布(连续分布)

五、正态分布、高斯分布、标准正态分布(连续分布)

六、指数分布(连续分布)

七、拉普拉斯分布(Laplace)(连续分布)

在概率论和统计学中,拉普拉斯是一种连续概率分布。由于它可以看做是俩个不同位置的指数分布背靠背拼在一起,所以它也叫做双指数分布。如果随机变量的概率密度函数分布为:

f(x \mid u, b)=\frac{1}{2 b} \exp \left(-\frac{|x-u|}{b}\right)=\frac{1}{2 b}\left\{\begin{array}{l} \exp \left(-\frac{x-u}{b}\right), \text { if } x \geq u \\ \exp \left(-\frac{x-x}{b}\right), \text { if } x<u \end{array}\right.


总结

简单介绍几个概率分布,这太多太难了,无语死!

相关文章:

统计学习方法(第二版) 概率分布学习

本文主要介绍机器学习的概率分布&#xff0c;帮助后续的理解。 定义直接从书上搬的想自己写&#xff0c;但没有定义准确&#xff0c;还浪费事件&#xff0c;作为个人笔记&#xff0c;遇到速查。 目录 一、二点分布&#xff08;0-1分布、伯努利分布&#xff09; 二、二项分布…...

淺談Cocos2djs逆向

前言 簡單聊一下cocos2djs手遊的逆向&#xff0c;有任何相關想法歡迎和我討論^^ 一些概念 列出一些個人認為比較有用的概念&#xff1a; Cocos遊戲的兩大開發工具分別是CocosCreator和CocosStudio&#xff0c;區別是前者是cocos2djs專用的開發工具&#xff0c;後者則是coco…...

【ROS2】RViz2加载URDF模型文件

1、RViz2加载URDF模型文件 1)运行RViz2 rviz22)添加组件:RobotModel 3)选择通过文件添加 4)选择URDF文件,此时会报错,需要修改Fixed Frame为map即可 5)因为没有坐标转换,依然会报错,下面尝试解决 2、运行坐标转换节点 1)运行ROS节点:robot_state_publishe...

Unity导入特效,混合模式无效问题

检查spine导出设置与Unity导入设置是否一致 检查Blend Mode Materials是否勾选 检查是否使用导入时产生的对应混合模式的材质&#xff0c;混合模式不适用默认材质 这里选导入时生成的材质...

el-table自定义按钮控制扩展expand

需求&#xff1a;自定义按钮实现表格扩展内容的展开和收起&#xff0c;实现如下&#xff1a; 将type“expand”的表格列的宽度设置为width"1"&#xff0c;让该操作列不展示出来&#xff0c;然后通过ref动态调用组件的内部方法toggleRowExpansion(row, row.expanded)控…...

opencv CV_TM_SQDIFF未定义标识符

opencv CV_TM_SQDIFF未定义标识符 opencv4部分命名发生变换&#xff0c;将CV_WINDOW_AUTOSIZE改为WINDOW_AUTOSIZE&#xff1b;CV_TM_SQDIFF_NORMED改为TM_SQDIFF_NORMED。...

2024acl论文体悟

总结分析归纳 模型架构与训练方法&#xff1a;一些论文关注于改进大语言模型的架构和训练方法&#xff0c;以提高其性能和效率。例如&#xff0c;“Quantized Side Tuning: Fast and Memory-Efficient Tuning of Quantized Large Language Models”提出了一种量化侧调优方法&a…...

【Git原理与使用】版本回退reset 详细介绍、撤销修改、删除文件

目录 一、版本回退 reset 1.1 指令&#xff1a; 1.2 参数说明&#xff1a; 1.3 演示&#xff1a; 二、撤销修改 情况一&#xff1a;对于工作区的代码&#xff0c;还没有 add 情况二&#xff1a;已经 add &#xff0c;但没有 commit 情况三&#xff1a;已经 add &…...

反规范化带来的数据不一致问题的解决方案

在数据库设计中&#xff0c;规范化&#xff08;Normalization&#xff09;和反规范化&#xff08;Denormalization&#xff09;是两个相互对立但又不可或缺的概念。规范化旨在消除数据冗余&#xff0c;确保数据的一致性和准确性&#xff0c;但可能会降低查询效率。相反&#xf…...

【Android】直接使用binder的transact来代替aidl接口

aidl提供了binder调用的封装&#xff0c;有的时候&#xff0c;比如&#xff1a; 1. 懒得使用aidl生成的接口文件&#xff08;确实是懒&#xff0c;Android studio中aidl生成接口文件很方便&#xff09; 2. 服务端的提供者只公开了部分接口出来&#xff0c;只给了调用编号和参…...

Python机器学习笔记(十八、交互特征与多项式特征)

添加原始数据的交互特征&#xff08;interaction feature&#xff09;和多项式特征&#xff08;polynomial feature&#xff09;可以丰富特征表示&#xff0c;特别是对于线性模型。这种特征工程可以用统计建模和许多实际的机器学习应用中。 上一次学习&#xff1a;线性模型对w…...

《跟我学Spring Boot开发》系列文章索引❤(2025.01.09更新)

章节文章名备注第1节Spring Boot&#xff08;1&#xff09;基于Eclipse搭建Spring Boot开发环境环境搭建第2节Spring Boot&#xff08;2&#xff09;解决Maven下载依赖缓慢的问题给火车头提提速第3节Spring Boot&#xff08;3&#xff09;教你手工搭建Spring Boot项目纯手工玩法…...

【AI进化论】 如何让AI帮我们写一个项目系列:将Mysql生成md文档

一、python脚本 下面给出一个简易 Python 脚本示例&#xff0c;演示如何自动获取所有表的结构&#xff0c;并生成一份 Markdown 文件。你可根据自己的需求做修改或使用其他编程语言。 import mysql.connector# ------------------------ # 1. 连接数据库 # -----------------…...

(已开源-AAAI25) RCTrans:雷达相机融合3D目标检测模型

在雷达相机融合三维目标检测中&#xff0c;雷达点云稀疏、噪声较大&#xff0c;在相机雷达融合过程中提出了很多挑战。为了解决这个问题&#xff0c;我们引入了一种新的基于query的检测方法 Radar-Camera Transformer (RCTrans)。具体来说&#xff1a; 首先设计了一个雷达稠密…...

Elasticsearch:在 HNSW 中提前终止以实现更快的近似 KNN 搜索

作者&#xff1a;来自 Elastic Tommaso Teofili 了解如何使用智能提前终止策略让 HNSW 加快 KNN 搜索速度。 在高维空间中高效地找到最近邻的挑战是向量搜索中最重要的挑战之一&#xff0c;特别是当数据集规模增长时。正如我们之前的博客文章中所讨论的&#xff0c;当数据集规模…...

unittest VS pytest

以下是 unittest 和 pytest 框架的对比表格&#xff1a; 特性unittestpytest设计理念基于类的设计&#xff0c;类似于 Java 的 JUnit更简洁&#xff0c;基于函数式编程设计&#xff0c;支持类和函数两种方式测试编写需要继承 unittest.TestCase 类&#xff0c;方法以 test_ 开…...

Tableau数据可视化与仪表盘搭建-基础图表制作

目录 对比分析&#xff1a;比大小 柱状图 条形图 数据钻取 筛选器 热力图 气泡图 变化分析&#xff1a;看趋势 折线图 预测 面积图 关系分布&#xff1a;看位置 散点图 直方图 地图 构成分析&#xff1a;看占比 饼图 树地图 堆积图 对比分析&#xff1a;比大…...

Center Loss 和 ArcFace Loss 笔记

一、Center Loss 1. 定义 Center Loss 旨在最小化类内特征的离散程度&#xff0c;通过约束样本特征与其类别中心之间的距离&#xff0c;提高类内特征的聚合性。 2. 公式 对于样本 xi​ 和其类别yi​&#xff0c;Center Loss 的公式为&#xff1a; xi​: 当前样本的特征向量&…...

3125: 【入门】求1/1+1/2+2/3+3/5+5/8+8/13+13/21……的前n项的和

文章目录 题目描述输入输出样例输入样例输出 题目描述 求1/11/22/33/55/88/1313/2121/34……的前n项的和。 输入 第1行&#xff1a;一个整数n&#xff08;1 < n < 30 &#xff09;。 输出 一行&#xff1a;一个小数&#xff0c;即前n项之和&#xff08;保留3位小数&…...

如何确保获取的淘宝详情页数据的准确性和时效性?

要确保获取的淘宝详情页数据的准确性和时效性&#xff0c;可从以下几个方面着手&#xff1a; 合法合规获取数据 遵守平台规则&#xff1a;在获取淘宝详情页数据之前&#xff0c;务必仔细阅读并严格遵守淘宝平台的使用协议和相关规定。明确哪些数据可以获取、以何种方式获取以及…...

在AutoDL云平台高效部署YOLO训练:从零到一的实战避坑指南

1. 为什么选择AutoDL跑YOLO训练&#xff1f; 第一次接触YOLO目标检测项目时&#xff0c;我像大多数开发者一样被本地显卡性能劝退。直到发现AutoDL这个云GPU平台&#xff0c;才真正体会到什么叫"用多少付多少"的灵活。相比动辄上万的游戏显卡&#xff0c;AutoDL上每小…...

AI 编程上下文管理新范式(非常详细),Spec 机制从入门到精通,收藏这一篇就够了!

最近围绕 Spec 的讨论明显变多。比较有代表性的声音大致有两类&#xff1a;一类更关注 Spec 和代码之间的边界&#xff0c;另一类更关注 Spec 在真实项目协作中的工程价值。这两类观察并不冲突&#xff0c;放在一起看&#xff0c;刚好能把问题看得更完整。 本质上都在回答同一…...

嵌入式与单片机:核心概念与开发实战解析

1. 嵌入式与单片机&#xff1a;从概念到实战的全面解析作为一名在嵌入式领域摸爬滚打多年的工程师&#xff0c;我经常被问到这样一个问题&#xff1a;"单片机不就是嵌入式吗&#xff1f;"这个问题看似简单&#xff0c;却反映了初学者对这两个概念的普遍困惑。今天&am…...

蒙特卡洛方法与科学计算十大经典算法解析

1. 蒙特卡洛方法&#xff1a;从赌场到科学计算的跨界革命 1946年&#xff0c;三位天才科学家在洛斯阿拉莫斯实验室的咖啡时间里&#xff0c;可能不会想到他们正在创造一种将彻底改变科学计算的方法。蒙特卡洛方法的名字来源于摩纳哥著名的赌城&#xff0c;这暗示了其核心思想—…...

[具身智能-230]:OpenCV常见的“踩坑”有哪些?

在 OpenCV 的开发过程中&#xff0c;确实存在许多容易让人“踩坑”的地方。这些问题往往不涉及复杂的算法原理&#xff0c;而是源于一些反直觉的设计细节或环境配置问题。结合最新的开发实践和常见报错&#xff0c;我为你总结了 OpenCV 开发中最高频的“踩坑”清单&#xff0c;…...

同一篇80%AI率的论文,3种方法降完效果对比

为了给同学一个有说服力的参考&#xff0c;我用同一篇论文做了一个完整对比实验&#xff1a; 同一篇知网AI率80%的论文&#xff08;经济学&#xff0c;3万字&#xff09;&#xff0c;分别用3种方法处理&#xff0c;然后统一检测&#xff0c;看最终结果。 下面是完整数据。 论…...

FastAPI + PostgreSQL 实战:从入门到不踩坑,一次讲透

&#x1f9d0; 第一部分&#xff1a;为什么是PostgreSQL&#xff1f;你可以把PostgreSQL想象成一个“极度守规矩的档案管理员”——数据完整性、ACID、复杂查询支持得滴水不漏。相比MySQL&#xff0c;它对JSON、全文检索、地理空间数据的支持更原生&#xff0c;而且这几年性能优…...

python zipfile

# Python 的 zipfile&#xff1a;不只是打包文件那么简单 如果你用过压缩软件&#xff0c;大概知道 ZIP 格式是用来把多个文件打包成一个&#xff0c;顺便还能压缩节省空间。Python 里的 zipfile 模块就是干这个的&#xff0c;但它的能力远不止“打包”这么简单。 它到底是什么…...

样本收集的致命误区:为什么你的AI模型“一上产线就拉胯”?

很多工程师在收集TVA训练集时&#xff0c;喜欢从良品堆里挑50个&#xff0c;再从废品筐里挑50个&#xff0c;觉得凑够100个样本就能让AI“快速学习”了。结果一上线&#xff0c;只要背景稍微有点灰尘&#xff0c;或者螺母有点偏转角度&#xff0c;系统就疯狂误报。这就是典型的…...

避坑指南:用ArcGIS批量裁剪TIFF时,如何确保输出范围和命名不混乱?

ArcGIS批量裁剪TIFF实战&#xff1a;精准控制输出范围与命名的进阶技巧 当你面对数百个TIFF文件需要批量裁剪时&#xff0c;ArcGIS的ModelBuilder本应是效率神器&#xff0c;但实际使用中却常常遇到输出范围错乱、命名重复甚至文件丢失的窘境。我曾在一个遥感数据处理项目中&am…...