概念

贝塔分布（Beta Distribution) 是一个作为伯努利分布和二项式分布的共轭先验分布的密度函数，在机器学习和数理统计学中有重要应用。在概率论中，贝塔分布，也称Β分布，是指一组定义在(0,1) 区间的连续概率分布。

可以看作一个概率的概率分布，当你不知道一个东西的具体概率是多少时，它可以给出了所有概率出现的可能性大小。

# 加载功能包
import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt
import matplotlib.style as style
from IPython.core.display import HTML# 指定大小
%matplotlib inline
style.use('fivethirtyeight')
plt.rcParams['figure.figsize']=(14,7)
plt.figure(dpi=100)# PDF 概率密度函数
plt.plot(np.linspace(0,1,100),stats.beta.pdf(np.linspace(0,1,100),a=2,b=2))
print(stats.beta.pdf(np.linspace(0,1,100),a=2,b=2))
# linspace选择取值；beta分布
plt.fill_between(np.linspace(0,1,100),stats.beta.pdf(np.linspace(0,1,100),a=2,b=2),alpha=.45,)
# 进行图像填充# CDF累计概率密度函数
plt.plot(np.linspace(0,1,100),stats.beta.cdf(np.linspace(0,1,100),a=2,b=2))# 补充图设置：LEGEND、TICKS与TITLE
plt.text(x=.4, y=1, s="PDF(normed)", alpha = 75, weight="bold", color="#008fd5")
plt.text(x=0.6, y=0.5, s="CDF", alpha = 75, weight="bold", color="#fc4f30")
plt.tick_params(axis = 'both', which ='major', labelsize = 18)
plt.axhline(y = 0, color ='black', linewidth = 1.3, alpha = 7)
plt.text(x = -.125, y = 1.8, s = "Beta Distribution - Overview", fontsize = 26, weight = 'bold', alpha = 75)
plt.text(x = -.125, y = 1.65, s = "$y \\sim Beta(\\alpha,\\beta)$, given $ \\alpha = 2 $ and $ \\beta = 2$. ", fontsize = 20, alpha = 75)

[0. 0.05999388 0.11876339 0.17630854 0.23262932 0.28772574
0.3415978 0.39424549 0.44566881 0.49586777 0.54484236 0.59259259
0.63911846 0.68441996 0.72849709 0.77134986 0.81297827 0.85338231
0.89256198 0.93051729 0.96724824 1.00275482 1.03703704 1.07009489
1.10192837 1.1325375 1.16192225 1.19008264 1.21701867 1.24273033
1.26721763 1.29048056 1.31251913 1.33333333 1.35292317 1.37128864
1.38842975 1.4043465 1.41903887 1.43250689 1.44475054 1.45576982
1.46556474 1.47413529 1.48148148 1.48760331 1.49250077 1.49617386
1.49862259 1.49984695 1.49984695 1.49862259 1.49617386 1.49250077
1.48760331 1.48148148 1.47413529 1.46556474 1.45576982 1.44475054
1.43250689 1.41903887 1.4043465 1.38842975 1.37128864 1.35292317
1.33333333 1.31251913 1.29048056 1.26721763 1.24273033 1.21701867
1.19008264 1.16192225 1.1325375 1.10192837 1.07009489 1.03703704
1.00275482 0.96724824 0.93051729 0.89256198 0.85338231 0.81297827
0.77134986 0.72849709 0.68441996 0.63911846 0.59259259 0.54484236
0.49586777 0.44566881 0.39424549 0.3415978 0.28772574 0.23262932
0.17630854 0.11876339 0.05999388 0. ]

参数影响

数量

plt.figure(dpi=100)
#a是成功次数、b是失败次数# PDF A=B=1
plt.plot(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=1,b=1))
plt.fill_between(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=1,b=1),alpha=.45,)# PDF A=B=10
plt.plot(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=10,b=10))
plt.fill_between(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=10,b=10),alpha=.45,)# PDF A=B=100
plt.plot(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=100,b=100))
plt.fill_between(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=100,b=100),alpha=.45,)# LEGEND TICKS TITLE
plt.text(x=.1, y=1.45, s=r"$ \alpha = 1, \beta = 1 $", alpha = 75, weight="bold", color="#008fd5")
plt.text(x=0.325, y=3.5, s=r"$ \alpha = 10, \beta = 10 $", rotation=35, alpha = 75, weight="bold", color="#fc4f30")
plt.text(x=.4125, y=8, s=r"$ \alpha = 100, \beta = 100 $", rotation=75, alpha = 75, weight="bold", color="#e5ae38")
plt.tick_params(axis = 'both', which ='major', labelsize = 18)
plt.axhline(y = 0, color ='black', linewidth = 1.3, alpha = 7)
plt.text(x = -.08, y = 12.75, s = r"Beta Distribution - constant $ \frac{\alpha}{\beta} $, varying $\alpha+\beta$", fontsize = 26, weight = 'bold', alpha = 75)

比例

plt.figure(dpi=100)
#a是成功次数：1、b是失败次数：0# PDF A/B=1/3
plt.plot(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=25,b=75))
plt.fill_between(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=25,b=75),alpha=.45,)# PDF A/B=1
plt.plot(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=50,b=50))
plt.fill_between(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=50,b=50),alpha=.45,)# PDF A/B=3
plt.plot(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=75,b=25))
plt.fill_between(np.linspace(0,1,200),stats.beta.pdf(np.linspace(0,1,200),a=75,b=25),alpha=.45,)# LEGEND TICKS TITLE
plt.text(x=.15, y=5, s=r"$ \alpha = 25, \beta = 75 $", rotation=75, alpha = 75, weight="bold", color="#008fd5")
plt.text(x=0.39, y=5, s=r"$ \alpha = 50, \beta = 50 $", rotation=75, alpha = 75, weight="bold", color="#fc4f30")
plt.text(x=.65, y=5, s=r"$ \alpha = 75, \beta = 25 $", rotation=75, alpha = 75, weight="bold", color="#e5ae38")
plt.tick_params(axis = 'both', which ='major', labelsize = 18)
plt.axhline(y = 0, color ='black', linewidth = 1.3, alpha = 7)
plt.text(x = -.08, y = 11, s = r"Beta Distribution - constant $ \frac{\alpha}{\beta} $, varying $\alpha+\beta$", fontsize = 26, weight = 'bold', alpha = 75)

随机产生数据

from scipy.stats import beta# draw a single sample
print(beta.rvs(a=2,b=2),end="\n\n")# draw 10 samples
print(beta.rvs(a=2,b=2,size=10), end="\n\n")

0.39008533097914994

[0.29036031 0.81142835 0.55814129 0.56748235 0.47717343 0.90101806
0.58081651 0.72243883 0.91436309 0.15177402]

概率密度函数

from scipy.stats import beta# additional imoprts for plotting purpose
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams["figure.figsize"] = (14,7)# continuous pdf for the plot
x_s = np.linspace(0,1,100)
y_s = beta.pdf(a=2,b=2,x=x_s)
plt.scatter(x_s, y_s);

累积概率密度函数

from scipy.stats import beta# probabolity of x less or equal 0.3
print("P(X<0.3)={:.3}".format(beta.cdf(a=2,b=2,x=0.3)))# probability of x in [-0.2, +0.2]
print("P(-0.2<X<0.2)={:.3}".format(beta.cdf(a=2,b=2,x=0.2)-beta.cdf(a=2,b=2,x=-0.2)))

P(X<0.3)=0.216
P(-0.2<X<0.2)=0.104

数据科学分布——Beta分布相关推荐

统计学（1）二项分布几何分布泊松分布指数分布正态分布 gamma分布 beta分布
分布与分布关系 1.二项分布 2.几何分布 3.泊松分布 4.二项分布转化泊松分布,泊松转化正态分布 5.指数分布 6.gamma分布 7.泊松.指数.gamma三者关系 8.Beta分布 1.二项分 ...
人工智能-数学基础-数据科学必备分布
正态分布 import numpy as np import scipy.stats as stats #在scipy中把各种分布的函数拿到手 import matplotlib.pyplot as ...
如何通俗理解 beta分布、汤普森采样和狄利克雷分布
如果想理解汤普森采样算法,就必须先熟悉了解贝塔分布. 一次伯努利实验(比如扔硬币,二元变量)叫做伯努利分布(Bernoulli distribution).多次伯努利实验叫做二项式分布(Binomia ...
Gamma 分布和Beta 分布简介
1. Gamma 分布 1.1 首先要了解一下Gamma 函数. Gamma 函数在实数域可以表示为: Γ(x)=∫0∞tx−1e−tdt\Gamma(x)=\int_0^{\infty} t^{x- ...
gamma函数、beta分布、贝叶斯平滑、特征校准
目录一. gamma函数二.Beta分布三.贝叶斯估计四.贝叶斯估计的运用一. gamma函数 1.在实数域上伽玛函数定义为 Γ ( x ) = ∫ 0 + ∞ t x − 1 e − t ...
probility and statistic(4) gamma分布、beta分布、dirichlet分布、卡方分布、t分布
共轭分布.gamma分布.beta分布.dirichlet分布.卡方分布.t分布 1.共轭分布在贝叶斯统计中,如果后验分布与先验分布属于同类(分布形式相同),则先验分布与后验分布被称为共轭分布,而先 ...
贝叶斯统计：Inverted Beta与Three Parameter Beta分布
贝叶斯统计:Inverted Beta与Three Parameter Beta分布 Beta分布 Inverted Beta与Three Parameter Beta TPB-Normal Mixt ...
概率分布之Beta分布与Dirichlet分布
Beta分布与Dirichlet分布的定义域均为[0,1],在实际使用中,通常将两者作为概率的分布,Beta分布描述的是单变量分布,Dirichlet分布描述的是多变量分布,因此,Beta分布可作为二 ...
伯努利分布、二项分布、多项分布、Beta分布、Dirichlet分布
https://blog.csdn.net/michael_r_chang/article/details/39188321 https://www.cnblogs.com/wybang/p/3206 ...
数据科学统计学：什么是偏度？
作者|ABHISHEK SHARMA 编译|VK 来源|Analytics Vidhya 概述在数据科学和分析领域,偏度是一个重要的统计学概念了解什么是偏度,以及为什么它对作为数据科学专业人士的你 ...

数据科学分布——Beta分布

Beta分布

概念

参数影响

数量

比例

随机产生数据

概率密度函数

累积概率密度函数

数据科学分布——Beta分布相关推荐

最新文章

热门文章