常见的机器学习与数据挖掘知识点之常见分布

深碍√TFBOYSˉ_ 2022-08-04 11:54 241阅读 0赞

## 常见的机器学习与数据挖掘知识点之常见分布 ##

### Common Distribution(常见分布)： ###

#### Discrete Distribution(离散型分布)： ####

*  0-1 Distribution(0-1分布)  
    定义：若随机变量X只取0和1两个值，且其分布律为  
    
    
    P\{X=k\}=pk(1−p)1−k,k=0,1
    
      
    其中X服从参数为p的(0−1)分布，记作X∼(0−1). 如抛掷硬币一次便服从两点分布.  
      两点分布的期望与方差分别为：p,1−p.
 *  Geometric Distribution(几何分布)  
    定义：若随机变量X的可能取值为1,2,3,...且它的分布律为  
    
    
    P\{ X=k\}=(1−p)k−1p=qk−1p,k=1,2,3,...
    
      
    则称随机变量X服从参数p的几何分布，记作X∼G(p).  
      几何分布具有无记忆性，即：  
    
    
    P\{ X>m\+n|X>m\}=P\{ X>n\}
    
      
    指几何分布对过去的m次失败的信息在后面的计算中被遗忘了.  
      几何分布对应于：X为独立重复的贝努利试验这种，“首次成功”时的试验次数.  
      几何分布的期望与方差分别为：1p,1−pp2.
 *  Hypergeometric Distribution(超几何分布)  
    定义：若随机变量X的可能取值为0,1,2,....,n，而且其分布律为  
    
    
    P\{ X=m\}=CmMCn−mN−MCnN
    
      
    其中n,M,N都是正整数，且n≤N,M≤N. 上式中当m>M或n−m>N−M时，显然有PX=m=0，称这种分布为超几何分布，记作X∼H(n,M,N).  
      超几何分布对应与不返回抽样模型：N个产品中有M个不合格产品，从中抽取n个，那么不合格的产品个数为X.  
      超几何分布的期望与方差分别为：nMN,nMNN−MNN−nN−1.
 *  Bernoulli Distribution/Binomial Distribution(贝努利分布/二项分布)  
    定义：设随机变量X的可能取值为0,1,2,...,n，其它的分布律为  
    
    
    P\{ X=k\}=Cknpk(1−p)n−k
    
      
    则称随机变量X服从参数为n,p的二项分布，记作X∼B(n,p)，它是n重独立贝努利试验分布成功k次，当n=1时，其退化成0−1分布.  
      设随机变量X∼H(n,M,N)，则当N→∞时，X近似地服从二项分布B(n,p)，即下面的近似等式成立.  
      二项分布的期望与方差分别为：np,np(1−p).
 *  Negative Binomial Distribution(负二项分布，又称Pascal 帕斯卡分布)  
    定义：若随机变量X的可能取值为r,r\+1,...，而且其分布律为  
    
    
    P\{ X=k\}=Cr−1k−1(1−p)k−rpr,k=r,r\+1,...
    
      
    其中,r,p都是常数，那么称随机变量X服从参数r,p的负二项分布，记作X∼NB(r,p).  
      负二项分布是：X为独立重复的贝努利试验中，“第r次成功“时的试验次数.  
      负二项分布的期望与方差分别为：rp,r(1−p)p2.  
      二项随机变量时独立0−1随机变量之和.  
      在n重贝努利试验可看作由n个相同的，独立进行的贝努利试验组成，若将第i个贝努利试验中成功的次数记为Xi∼B(1,p),i=1,...,n，n重贝努利试验成功的总次数X=X1\+X2\+...\+Xn，它服从B(n,p).  
      负二项随机变量时独立几何随机变量之和.  
      做一系列的贝努利试验，如果将首个成功出现的试验次数记为X1，第二个成功出现时的试验次数(从第一次成功之后算起)记为X2，……，第r个成功出现时的试验次数记为Xr，则Xi独立同分布，且Xi∼G(p). 此时有X=X1\+X2\+...\+Xn∼NB(r,p).
 *  Multinomial Distribution(多项分布)  
    定义:：若m维随机变量(X1,X2,...,Xm)可能取值为(k1,K2,...,Km)，而且其分布律为  
    
    
    P\{ X1=k1,X2=k2,...,Xm=km\}=n!k1!k2!...km!pk11pk22...pkmm
    
      
    其中，∑mi=1ki=n，pi>0为试验结果是xi的概率，ki表示试验结果是xi的次数. 那么称随机变量(X1,X2,...,Xm)服从多项分布，记作(X1,X2,...,Xm)∼M(n,p1,p2,...,pm).  
      通俗地说，假设一次随机试验取值范围可能为x1,x2,...xm，每个出现的概率依次为p1,p2,...,pm，现进行独立重复n次试验，分别将它们的出现次数记为随机变量X1,X2,...,Xm，那么该试验就是一个多项分布试验.  
      多项分布的所有期望与协方差矩阵分别为：E=(np1,np2,...,npm),COVm×m=(cij),其中cii=npiqi,cij=−npipj(i≠j).
 *  Poisson Distribution (泊松分布)  
    定义：若随机变量X的可能取值为0,1,2,...，其分布律为  
    
    
    P\{ X=k\}=λkk!e−λ,k=0,1,2,...;常数λ>0
    
      
    则称随机变量X服从参数为λ的泊松分布，记作X∼P(λ).  
      泊松定理：设随机变量Xn∼B(n,pn),n=1,2,3,...;pn是与n无关的数). 又设npn=λ>0,n=1,2,...是常数，则有  
    
    
    limn→∞P\{ Xn=k\}=λkk!e−λ
    
      
      当npn=λ(常数)意味着当n很大时，pn必定很小. 故当二项分布的n很大，p很小时，取λ=np，必有  
    
    
    P\{ X=k\}=Cknpk(1−p)n−k≈λkk!e−λ
    
      
    在实际计算过程中，一般当n≥10,p≤0.1时可用λkk!e−λ作为Cknpk(1−p)n−k的近似值.  
      泊松分布的期望与方差分别为：λ,λ.

#### Continuous Distribution (连续型分布)： ####

*  Uniform Distribution(均匀分布)  
    定义：设随机变量X的的概率密度为：  
    
    
    f(x)=⎧⎩⎨⎪⎪1b−a,a≤x≤b,a≤b0,others⎤⎦⎥⎥
    
      
    则称随机变量X在区间\[a,b\]上服从均匀分布，记作X∼U\[a,b\].  
      均匀分布的分布函数为：  
    
    
    F(x)=P\{ X≤x\}=⎧⎩⎨⎪⎪0,x≤ax−ab−a,a≤x≤b,1,x≥b⎤⎦⎥⎥⎥
    
      
      如果随机变量X∼U\[a,b\]，那么落在\[a,b\]中任何子区间\[c,d\](a≤c≤d≤b)内的概率为：  
    
    
    P\{ c≤X≤d\}=∫dc1b−adx=d−cb−a
    
      
    这说明随机变量X落在子区间上的概率与子区间的长度成正比，而与该子区间的位置无关，即它落在\[a,b\]中任意一段相等长度的子区间内的可能性相同.  
      均匀分布的期望与方差分别为：a\+b2,(b−a)212.  
      在实际中，服从均匀分布的例子很多，如：  
    
    
     *  乘客候车时间服从均匀分布
     *  电台每隔20分钟发出一个信号，我们随手打开收音机，那么等待时间t∼\[0,20\]
     *  …..
 *  Exponential Distribution(指数分布)  
    定义：若随机变量X的的概率密度为：  
    
    
    f(x)=\{λe−λx,x>00,x≤0\]
    
      
    其中λ是正常数，则称随机变量X服从参数为λ的指数分布，记作X∼E(λ).  
    指数分布的分布函数为：  
    
    
    F(x)=\{ 1−e−λx,x>00,x≤0\]
    
      
      实际使用中，常将指数分布作为各种寿命分布的近似，如动物的寿命，电子电气元件的寿命，随机服务系统中的服务时间等.  
      指数分布具有无记忆性.  
      指数分布的期望与方差分别为：1λ,1λ2.
 *  Normal Distribution/Gaussian Distribution(正态分布/高斯分布)  
    定义：若随机变量X的概率密度为  
    
    
    f(x)=1σ2π‾‾‾√e−(x−μ)22σ2,x∈(−∞,\+∞)
    
      
    其中μ,σ均为常数，分别为其的期望与方差，且σ>0，则称随机变量X服从参数为μ,σ的正态分布，也称随机变量X为正态变量，记作X∼N(μ,σ2).  
      正态分布的分布函数为：  
    
    
    F(x)=1σ2π‾‾‾√∫x−∞e−(t−μ)22σ2dt,x∈(−∞,\+∞)
    
      
      特别地，当μ=0,σ=1时的正态分布叫做标准正态分布，记作X∼N(0,1)，它的概率密度使用ϕ(x)表示，为：  
    
    
    ϕ(x)=12π‾‾‾√e−x22,x∈(−∞,\+∞)
    
      
    其分布函数使用Φ(x)表示，为：  
    
    
    Φ(x)=12π‾‾‾√∫x−∞e−t22dt,x∈(−∞,\+∞)
    
      
    这样就有：  
    
    
    Φ(−x)=1−Φ(x)
    
      
    并且，正态分布N(μ,σ2)的分布函数与标准正态分布N(0,1)的分布函数Φ(x)有：  
    
    
    F(x)=Φ(x−μσ)
    
      
      正态分布的期望与方差分别为：μ,σ2.
 *  Lognormal Distribution(对数正态分布)  
    定义：若随机变量X的对数服从正态分布，那么该随机变量服从对数正态分布，其概率密度为  
    
    
    f(x)=1σx2π‾‾‾√e−(lnx−μ)22σ2,x>0
    
      
    其中μ,σ均为常数，且σ>0，则称随机变量X服从参数为μ,σ的对数正态分布，也称随机变量X为对数正态变量，记作X∼LN(μ,σ2)，注意：μ,σ不是它的期望与方差.  
      对数正态分布的分布函数为：  
    
    
    F(x)=∫x0\+f(t)dt=Φ(lnx−μσ)
    
      
      对数正态分布的期望与方差分别为：eμ\+σ22,e2μ\+σ2eσ2−1.
 *  Gamma Distribution(伽马分布)  
    先导知识：
    
     *  阶乘：n!=n(n-1)(n-2)…1
     *  Gamma(伽马)函数：Gamma函数是阶乘的在实数域与复数域上的拓展，记为Γ(x).
        
         *  在实数域上伽马函数定义为：  
            
            
            Γ(x)=∫\+∞0tx−1e−tdt
         *  在复数域（其中Re(z)>0，即实数部分大于0）上伽马函数定义为：  
            
            
            Γ(z)=∫\+∞0tz−1e−tdt
        
        通过分部积分，可以得到：  
        
        
        Γ(x\+1)=xΓ(x)
        
          
        对于正整数n，有：  
        
        
        Γ(n)=∫\+∞0tne−tdt=(n−1)!
        
          
        那么问题来了：
        
         *  这个如此奇怪的函数是如何发现的呢?  
              这就与一些数学大豪有关了，比如哥德巴赫、贝努利、欧拉、高斯等，详细参见[神奇的gamma函数][gamma].
         *  为何Γ(n)≠n!而是Γ(n)≠(n−1)!?  
              欧拉早期的Gamma函数便是定义为Γ(n)≠n!，后来对其进行了修正为Γ(n)≠(n−1)!(具体原因不得而知)，可能欧拉研究了  
            
            
            B(m,n)=∫10xm−1(1−x)n−1dx
            
              
            这个函数便是Beta函数，如果Γ(n)≠(n−1)!，那么有  
            
            
            B(m,n)=Γ(m)Γ(n)Γ(m\+n)
            
              
            该函数是具有非常漂亮的对称形式. 如果Γ(n)≠n!，那么令  
            
            
            E(m,n)=∫10xm(1−x)ndx
            
              
            则有  
            
            
            E(m,n)=Γ(m)Γ(n)Γ(m\+n\+1)
            
              
            这个形式显然不如B(m,n)那么优美，而数学家总是很在乎数学公式的美感的.  
            定义：若随机变量X的概率密度为  
            
            
            f(x)=1βαΓ(α)xα−1e−xβ,x>0
            
              
            其中，α形状参数(shape parameter)，β尺度参数(scale parameter)均为常数，则称随机变量X服从参数为α,β的伽马分布，记作X∼Ga(α,β).  
              Gamma分布函数为：  
            
            
            F(x)=∫x0f(u)du=γ(α,xβ)Γ(α)
            
              
            其中  
            
            
            γ(α,xβ)=∫xβ0tα−1e−t
            
              
              若α是正整数，上式是一个Erlang分布：  
            
            
            F(x)=1−∑i=0α−1(βx)ii!e−βx=e−βx∑i=α∞(βx)ii!
            
              
              Gamma分布的期望为αβ，方差为αβ2. Gamma分布即为：随机变量X 为等到第α件事发生所需等待时间.
 *  Beta Distribution(Beta分布)  
    定义：若随机变量X的概率密度为  
    
    
    f(x)=1B(a,b)xa−1(1−x)b−1,0<x<1
    
      
    其中，a>0,b>0均为常数，B(a,b)=Γa\+bΓ(a)Γ(b)，那么随机变量X服从参数为a,b的贝塔分布，记为X∼B(a,b).  
      贝塔分布的分布函数为：  
    
    
    F(x)=∫x0f(t)dt
    
      
      Beta分布的期望与方差分别为：αα\+β,αβα\+αβ2\+β\+1.
 *  Dirichlet Distribution(狄利克雷分布)  
    定义：若随机变量X的概率密度为  
    
    
    f(x)=Γ(α0)Γ(α1)...Γ(αK)∏k=1Kμαk−1k
    
      
    其中，μ⃗ =(μ1,...,μK),α⃗ =(α0,...,αK)中的每一个分量为均常数，并且∑kμk=1,α0=∑Kk=1αk ，那么随机变量X服从参数为μ⃗ ,α⃗ 的狄利克雷分布，记为X∼Dir(μ⃗ ,α⃗ ).
 *  Rayleigh Distribution(瑞利分布)  
    定义：若随机变量X的概率密度为  
    
    
    f(x)=xσ2e−x22σ2,x≥0
    
      
    其中，σ>0为常数，那么随机变量X服从参数为σ的瑞利分布，记为X∼R(σ).  
      瑞利分布的分布函数为：  
    
    
    F(x)=∫x0f(t)dt
    
      
      瑞利分布的期望与方差分别为：π2σ,4−π2σ2
 *  Cauchy Distribution(柯西分布)  
    定义：若随机变量X的概率密度为  
    
    
    f(x)=1πγ\[1\+(x−x0)2γ\],x∈(−∞,\+∞)
    
      
    其中，x0位置参数,γ(γ>0)尺度参数均为常数，那么随机变量X服从参数为x0,γ的柯西分布，记为X∼C(x0,γ).  
      柯西分布的分布函数为：  
    
    
    F(x)=∫x−∞f(t)dt=πarctan(x−x0γ)\+12,x∈(−∞,\+∞)
    
      
      柯西分布的期望与方差均不存在.
 *  Weibull Distribution(韦伯分布)  
      韦伯分布的期望与方差分别为：  
    定义：若随机变量X的概率密度为  
    
    
    f(x)=βη(xη)β−1e−(xη)β,x≥0
    
      
    其中，η>0,β>0均为常数，那么随机变量X服从参数为η,β的韦伯分布，记为X∼W(η,β).  
      韦伯分布的分布函数为：  
    
    
    F(x)=∫x−0f(t)dt=1−e−(xη)β
    
      
      韦伯分布的期望与方差分别为：ηΣ(1β\+1),η2(Γ(2β\+1)−Γ(1β\+1)).  
      它的累积分布函数是扩展的指数分布函数，而且，Weibull distribution与很多分布都有关系。如，当β=1，它是指数分布；β=2时，是Rayleigh Distribution(瑞利分布).
 *  Laplacian Distribution(拉普拉斯分布)  
    定义：若随机变量X的概率密度为  
    
    
    f(x)=12be−|x−μ|b
    
      
    其中，μ位置参数,b(b>0)尺度参数均为常数，那么随机变量X服从参数为μ,b的拉普拉斯分布，记为X∼L(μ,b).  
      概率密度函数如下图所示：  
    ![这里写图片描述][20150825002512429]  
      拉普拉斯分布的分布函数为：  
    
    
    F(x)=∫x−∞f(t)dt＝12\[1\+sgn(x−u)e−|x−μ|b\]
    
      
      拉普拉斯分布的期望与方差分别为：μ,2b2.

[gamma]: http://www.52nlp.cn/lda-math-%E7%A5%9E%E5%A5%87%E7%9A%84gamma%E5%87%BD%E6%95%B01
[20150825002512429]: /images/20220731/073a0983d69b4127af364a53be317eaa.png