这篇博客详细介绍了机器学习中常见的十二种概率分布，包括伯努利、范畴、二项、均匀、高斯、指数、拉普拉斯、狄拉克、经验、贝塔、狄利克雷和逻辑斯谛分布。特别地，二项分布用于描述独立伯努利实验中成功的次数，其期望值为实验次数乘以成功概率，方差为实验次数乘以成功概率乘以(1-成功概率)。
分类目录：《机器学习中的数学》总目录
相关文章：
· 常用概率分布（一）：伯努利分布（Bernoulli分布）
· 常用概率分布（二）：范畴分布（Multinoulli分布）
· 常用概率分布（三）：二项分布（Binomial分布）
· 常用概率分布（四）：均匀分布（Uniform分布）
· 常用概率分布（五）：高斯分布（Gaussian分布）/正态分布（Normal分布）
· 常用概率分布（六）：指数分布（Exponential分布）
· 常用概率分布（七）： 拉普拉斯分布（Laplace分布）
· 常用概率分布（八）：狄拉克分布（Dirac分布）
· 常用概率分布（九）：经验分布（Empirical分布）
· 常用概率分布（十）：贝塔分布（Beta分布）
· 常用概率分布（十一）：狄利克雷分布（Dirichlet分布）
· 常用概率分布（十二）：逻辑斯谛分布（Logistic 分布）
二项分布（Binomial分布）用以描述
N
N
N次独立的伯努利实验中有
m
m
m次成功，即
x
=
1
x=1
x=1的概率，其中每次伯努利实验成功的概率为
ϕ
∈
[
0
,
1
]
\phi\in[0,1]
ϕ∈[0,1]。
B
i
n
(
m
∣
N
,
ϕ
)
=
C
N
m
ϕ
m
(
1
−
ϕ
)
N
−
m
Bin(m|N, \phi)=C_N^m\phi^m(1-\phi)^{N-m}
Bin(m∣N,ϕ)=CNmϕm(1−ϕ)N−m
和伯努利分布类似，二项分布也有如下性质：
- E [ x ] = N ϕ E[x]=N\phi E[x]=Nϕ
- V a r ( x ) = N ϕ ( 1 − ϕ ) Var(x)=N\phi(1-\phi) Var(x)=Nϕ(1−ϕ)
扫一扫
2655