机器学习数学基础之概率论

简介: 一些简写符号:CDF(cumulative distribution function 累计分布函数)、pdf(Probability Denisty Function 概率密度函数)概率的表示P(x)...

一些简写符号:CDF(cumulative distribution function 累计分布函数)、pdf(Probability Denisty Function 概率密度函数)

概率的表示

P(x)ϵ[0,1]

如果x为离散/连续变量,则P(x=x0)表示x0发生的概率/密度

累计分布函数

Φ(x)=P(xx0)

性质:
1、其已定位单增函数
2、min(Φ(x))=0,max(Φ(x))=1
3、可以将值域为[0,1]的某个函数y=f(x)看成x事件的累计概率
(Sigmoid函数即是这样的函数)
4、如果y=f(x)可导,则P(x)=f(x)为概率密度函数

概率公式

条件概率

P(A|B)=P(AB)P(B)

全概率公式

P(A)=P(A|Bi)P(Bi)

贝叶斯(Bayes)公式

P(Bi|A)=P(A|Bi)P(Bi)jP(A|Bj)P(Bj)

(一定程度可以理解为混淆因果,利用“关系”来求解)

Logistic函数

f(x)=11+ex

其导数
f(x)=f(x)(1f(x))
目录
相关文章
|
5月前
|
机器学习/深度学习 资源调度
【机器学习】高斯分布-概率密度函数
【1月更文挑战第23天】【机器学习】高斯分布-概率密度函数
【机器学习】高斯分布-概率密度函数
|
5月前
|
机器学习/深度学习 算法 数据挖掘
【机器学习】算法术语、决策函数、概率模型、神经网络的详细讲解(图文解释)
【机器学习】算法术语、决策函数、概率模型、神经网络的详细讲解(图文解释)
152 1
|
28天前
|
机器学习/深度学习 数据采集 存储
一文读懂蒙特卡洛算法:从概率模拟到机器学习模型优化的全方位解析
蒙特卡洛方法起源于1945年科学家斯坦尼斯劳·乌拉姆对纸牌游戏中概率问题的思考,与约翰·冯·诺依曼共同奠定了该方法的理论基础。该方法通过模拟大量随机场景来近似复杂问题的解,因命名灵感源自蒙特卡洛赌场。如今,蒙特卡洛方法广泛应用于机器学习领域,尤其在超参数调优、贝叶斯滤波等方面表现出色。通过随机采样超参数空间,蒙特卡洛方法能够高效地找到优质组合,适用于处理高维度、非线性问题。本文通过实例展示了蒙特卡洛方法在估算圆周率π和优化机器学习模型中的应用,并对比了其与网格搜索方法的性能。
158 1
|
4月前
|
机器学习/深度学习 数据挖掘 Python
机器学习之pandas基础——pandas与概率论的简短碰面
机器学习之pandas基础——pandas与概率论的简短碰面
40 4
|
4月前
|
机器学习/深度学习
技术心得:机器学习的数学基础
技术心得:机器学习的数学基础
29 0
|
4月前
|
机器学习/深度学习 人工智能 算法
【机器学习】概率模型在机器学习中的应用:以朴素贝叶斯分类去为例
【机器学习】概率模型在机器学习中的应用:以朴素贝叶斯分类去为例
66 0
|
5月前
|
机器学习/深度学习 人工智能 数据挖掘
【机器学习】贝叶斯统计中,“先验概率”和“后验概率”的区别?
【5月更文挑战第11天】【机器学习】贝叶斯统计中,“先验概率”和“后验概率”的区别?
|
5月前
|
机器学习/深度学习
【机器学习】贝叶斯统计中,“似然”和“后验概率”有什么区别?
【5月更文挑战第11天】【机器学习】贝叶斯统计中,“似然”和“后验概率”有什么区别?
|
5月前
|
机器学习/深度学习 大数据 程序员
[机器学习]机器学习数学基础(三)
[机器学习]机器学习数学基础(三)
33 0
|
机器学习/深度学习
机器学习数学基础 2
机器学习数学基础
62 0
下一篇
无影云桌面