一些机器学习相关的数学知识
概率论
1、频率与概率的区别
2、条件概率:
P ( A ∣ B ) = P ( A B ) P ( B ) P(A|B)=\frac{P(AB)}{P(B)} P(A∣B)=P(B)P(AB)
P(AB)表示A、B同时发生的概率
3、乘法公式(由条件概率推导):
P ( A B ) = P ( A ∣ B ) P ( B ) P(AB)=P(A|B)P(B) P(AB)=P(A∣B)P(B)
更一般的有:
P ( A B C . . . Z ) = P ( A ∣ B C . . . Z ) P ( B ∣ C . . . Z ) P ( C ∣ D . . . Z ) . . . P ( Y ∣ Z ) P ( Z ) P(ABC...Z)=P(A|BC...Z)P(B|C...Z)P(C|D...Z)...P(Y|Z)P(Z) P(ABC...Z)=P(A∣BC...Z)P(B∣C...Z)P(C∣D...Z)...P(Y∣Z)P(Z)
条件概率的乘法公式:
P ( A B ∣ C ) = P ( A ∣ B C ) P ( B ∣ C ) P(AB|C)=P(A|BC)P(B|C) P(AB∣C)=P(A∣BC)P(B∣C)
证明过程:
P ( A B ∣ C ) = P ( A B C ) / P ( C ) = P ( A ∣ B C ) P ( B ∣ C ) P ( C ) / P ( C ) = P ( A ∣ B C ) P ( B ∣ C ) P(AB|C)=P(ABC)/P(C)=P(A|BC)P(B|C)P(C)/P(C)=P(A|BC)P(B|C) P(AB∣C)=P(ABC)/P(C)=P(A∣BC)P(B∣C)P(C)/P(C)=P(A∣BC)P(B∣C)
4、P(AUB) = P(A) + P(B) - P(AB)
若A、B无交集,则P(AUB) = P(A) + P(B)
5、全概率
6、贝叶斯公式,已知P(A|B),求P(B|A):
P ( B ∣ A ) = P ( A ∣ B ) P ( B ) P ( A ) P(B|A)=\frac{P(A|B)P(B)}{P(A)} P(B∣A)=P(A)P(A∣B)P(B)
7、独立事件
P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B)
8、大数定理的实践意义:当重复实验次数足够大时,事件的频率可以代替事件的概率。这被称为频率的稳定性。
9、中心极限定理:在相当一般的条件下,当独立随机变量的个数不断增加时,其和的分布趋于正态分布。实际中,我们所考虑的随机变量可以表示成很多的独立随机变量之和,例如一个城市的耗电量是大量用户耗电量的总和。这就是为什么正态分布在概率论中占有重要地位的一个基本原因。
10、马尔可夫链:在已知“现在”的情况下,“未来”不依赖于“过去”。
几个重要概念:初始态,状态转移概率矩阵,终极状态概率预测
伯努利分布(Bernoulli Distribution)
0-1分布,成功为1,失败为0。
概率质量函数为:
f ( x ) = p x ( 1 − p ) 1 − x = { p i f x = 1 1 − p i f x = 0 0 e l s e f(x)=p^x(1-p)^{1-x}=\left\{ \begin{aligned} p & &if\quad x=1 \\ 1-p & & if\quad x=0 \\ 0 & & else \end{aligned} \right. f(x)=px(1−p)1−x=⎩ ⎨ ⎧p1−p0ifx=1ifx=0else
二项分布(Binomial Distribution)
二项分布是n重伯努利试验成功次数的离散概率分布,其典型例子是掷硬币。很显然,伯努利分布是二项分布在n=1时的特例。
概率质量函数为:
P ( X = k ) = C n k p k ( 1 − p ) n − k P(X=k)=C_n^kp^k(1-p)^{n-k} P(X=k)=Cnkpk(1−p)n−k
X表示成功次数,p为每次成功的概率,n表示n重伯努利试验。
多项分布(Multinomial Distribution)
多项分布是二项分布的推广,二项分布规定每次试验的结果只有两个(0和1),多项分布则允许有多个试验结果,其典型例子是掷骰子。
高斯分布(正态分布)
一些机器学习相关的数学知识相关推荐
- 机器学习必备的数学知识,一次学会
面对机器学习,初学者的阻塞点往往不在于机器学习本身,而是数学.机器学习是计算机技术,但它的底层是数学. 通常,在机器学习相关的教材中,通篇都是复杂的数学公式.初学者如果数学基础不牢固,面对满篇的数学公 ...
- 【学习资源】机器学习相关的数学参考资料
目录 1 机器学习资料 2 线性代数 3 概率论与统计学 4 微积分和数值计算 图片来源:The Mathematics of Machine Learning https://towardsdat ...
- 机器学习中的数学知识(part4)--拟牛顿法
学习笔记,仅供参考,有错必究 文章目录 机器学习中的数学知识 拟牛顿法 面临的问题(局部极小/鞍点) 机器学习中的数学知识 拟牛顿法
- 机器学习中的数学知识(part3)--凸优化
学习笔记,仅供参考,有错必究 文章目录 机器学习中的数学知识 凸优化 非凸优化 机器学习中的数学知识 凸优化 下面是实际问题中常见的凸集,记住它们对理解后面的算法非常有帮助. n n
- 机器学习中的数学知识(part2)
学习笔记,仅供参考,有错必纠 参考自:<机器学习与应用>–雷明 文章目录 机器学习中的数学知识 泰勒展开 梯度下降法 牛顿法 机器学习中的数学知识 泰勒展开 梯度下降法
- 机器学习中的数学知识(part1)
学习笔记,仅供参考,有错必纠 参考自:<机器学习与应用>–雷明 文章目录 机器学习中的数学知识 偏导数与梯度 雅克比矩阵 Hessian矩阵 奇异值分解 向量与矩阵求导 机器学习中的数学知 ...
- 机器学习的基本数学知识1
机器学习的基本数学知识(自用) 线性代数 标量.向量.矩阵和张量 标量:一个单独的数 向量:一列数 矩阵:二维数组 张量:维数超过二维的数组 转置:矩阵的行列互换 矩阵与向量相乘 单位矩阵和逆矩阵 单 ...
- 【机器学习】【数学】机器学习涉及的数学知识
简单总结:机器学习涉及的数学知识有线性代数,概率论和统计学,多变量微积分,算法和复杂优化,以及其他等. 原文:https://www.ibm.com/developerworks/community/ ...
- 从入门到高阶,读懂机器学习需要哪些数学知识
本篇文章是由留德华叫兽 在知乎的优秀回答改编扩展而成的, 作者留德华叫兽有着应用数学和硕士运筹学.优化理论的背景转到德国海德堡大学读博,主要从事机器学习.计算机视觉的研究,希望自己的一些经验可以对想入 ...
最新文章
- java增加final,Java8增加功能--Effectively final 功能
- c#图片base64去转义字符_C# 将图片转成Base64字符串,再将字符串转成图片,然后将图片存储到服务器文件夹中,求代码。感激不尽...
- [YTU]_2432( C++习题 对象数组输入与输出)
- eclipse 拨打电话、拨号,发短信
- C# 系统环境变量读取
- 21位美国名校学生领袖在湖北了解中国媒体情况
- viewcube翻译_view cube是什么意思
- NOIP2015DAY2T2子串
- IDEA 社区版不支持 Tomcat?一招完美解决!
- Python 也能干大事 —— 解方程
- MySQL数据库建立数据库和表(命令行方式)
- 常用安防软件,Onvif,RSTP客户端 , 小工具
- 基于微信网页版二维码扫码支付
- 仿世纪佳缘登录注册页面
- 弘辽科技:胡润研究院发布《2020胡润中国10强电商》榜单,第二名很意外
- 山东赛区|数学建模国赛山东赛区成绩发布
- ARM920T内核工作模式
- 还在找各种便签软件?Windows10自带的便签足矣
- 6.4 深度负反馈放大电路放大倍数的分析
- 发那科2021参数_发那科参数(详细)讲述.doc
热门文章
- Java企业级开发框架(三):changelog——0.5.0-SNAPSHOT
- 798 - 背包问题VII - LintCode
- 证件照图片怎么拍?证件照图片拍摄方法分享。
- python数组截取_python如何截取数组前几个?
- 从实际案例看收到337调查签发之排除令后的应对策略
- 工具系列-福昕阅读器-多个窗口打开多个文档
- 利用遗传算法求解函数极值
- 使用miniblink 在程序中嵌入浏览器
- python分组符合条件相加_python实现分组求和与分组累加求和代码
- python 数据分组后看每组多少个_【Python】分组统计GroupBy技术详解