机器学习常用到的概率论

56 阅读 0 评论 37 点赞

我是靠谱客的博主过时手链，最近开发中收集的这篇文章主要介绍机器学习常用到的概率论，觉得挺不错的，现在分享给大家，希望可以做个参考。

在这里总结了几个常用的概率论公式，这里只列出了公式，同学们还是需要在实际应用中将知识融汇贯通。对机器学习感兴趣的同学可以看一下我的机器学习专题的介绍

从零开始学习机器学习_UnicornH!XD的博客-CSDN博客

$\p(x=0) = 1-p \ p(x=1) = p$

最简单的伯努利分布是一个二进制，例如假设成功的概率是p，呢么不成功的概率就是1-p。

$p(x=k) = (frac{n!}{k!(n-k)!)})p^{k}(1-p)^{1-k}$

我们进行许多的伯努利实验，并统计最终成功与失败的数量时，成功与失败的结果符合二项分布

$p(x=x) = (1-p)^{1-x}p$

与概率分布相关的一个离散二项分布是几何分佈，现在，我们不再计算固定数量的实验中成功的次数，而是计算在第一次成功之前我们必须做多少次实验。

$p(x=x) =frac{ lambda ^{x} exp(-lambda) }{ x!}$

我将介绍的最后一个离散概率分布是泊松分布，这是当我们想要模拟X 在一个固定时间间隔内发生的事件数时使用的方法。

$e[g(x)] = sum_{i=1}^{n}g(xi)f(xi)$

$v[g(x)] = e[g(x)^2] - e[g(x)]^2$

期望值允许我们计算一个随机变量的总和。函数的方差告诉我们，可能值围绕期望值的分布情况。

以上就是过时手链为你收集整理的机器学习常用到的概率论的全部内容，希望文章能够帮你解决机器学习常用到的概率论所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。