机器学习:Multinoulli分布与多项式分布

学习深度学习时遇见multinoulli分布,在此总结一下机器学习中常用的multinoulli分布与多项式分布之间的区别于关系,以便更好的理解其在机器学习和深度学习中的使用。

首先介绍一下其他相关知识。

Bernoulli分布 (两点分布)

Bernoulli分布是单个二值随机变量的分布x\in \left \{ 0,1 \right \}。它由单个参数\mu \in \left [ 0,1 \right ]控制,\phi给出了随机变量等于1的概率。

                   P(X=1)=\mu

                   P(X=0)=1-\mu

                   P(X=x|\mu )=\mu ^{x}(1-\mu )^{1-x}

                   E[X]=\mu

                   Var[X]=\mu(1-\mu)

二项分布(n重Bernoulli分布)

二项分布(binomial distribution)用以描述N次独立的伯努利实验中有m次成功(即x=1)的概率,其中每次伯努利实验成功的概率为\mu \in \left [ 0,1 \right ]

                  P(m|N,u)=\binom{N}{m}\mu ^{m}(1-\mu )^{N-m}

                  E[X]=N\mu

                   Var[X]=N\mu(1-\mu)

多项分布

若将伯努利分布由单变量扩展为d维向量x,其中x_{i} = \left \{ 0,1 \right \}\sum_{i=1}^{d}x_{i}=1,并假设x_{i}取1的概率为\mu_{i} \in \left [ 0,1 \right ],\sum_{i=1}^{d}\mu_{i}=1,则将得到离散概率分布

                P(x|\mu )=\prod_{i=1}^{d}\mu_{i}^{x^{i}}

                E[X_{i}]=\mu_{i}

                Var[X_{i}]=\mu_{i}(1-\mu)_{i}

在此基础上扩展二项分布则得到多项分布(nultinomial distribution),它描述了在N次独立实验中有m_{i}x_{i}=1的概率。 

               P(m_{1},...,m_{d}|N,\mu )=\frac{N!}{m_{1}!...m_{d}!}\prod_{i=1}^{d}\mu_{i}^{m_{i}} 

multinoulli分布(范畴分布、分类分布(categotical distribution))

mutinoulli分布是指在具有k个不同状态的单个离散型随机变量上的分布,其中k是一个有限值。 mutinoulli分布由分布向量p\in \left [ 0,1 \right ]^{k-1}参数化,其中每一个分量p_{i}表示第i个状态的概率。最后的第k个状态的概率可以通过1-1^{T}p给出。注意我们必须限制1^{T}p\leq 1。mutinoulli分布经常用来表示对象分类的分布,所以我们很少假设状态1具有数值1之类的。因此我们通常不需要去计算mutinoulli分布的随机变量的期望和方差。

mutinoulli分布是多项式分布的一个特例。多项式分布是\left \{ 0,...,n \right \}^{k}中的向量的分布,用于表示当对mutinoulli分布采样n次时k个类中的每一个被访问的次数。很多文章使用“多项式分布”而实际上说的是mutinoulli分布,但是他们并没有说是对n=1(一次实验)的情况,这点需要注意。大概意思就是说multinouli分布进行一次实验,得到了各个状态k的概率分布p,多项分布是重复对multinoulli分布进行n次采样实验,看k个类中每一个被采样到的次数。我觉得很像bernoulli分布与二项分布的关系。(大家有不同想法的可以留言讨论!)

参考文献:

《概率论与数理统计》韩旭里,谢永钦

《机器学习》周志华

《深度学习》Ian GoodFellow

你可能感兴趣的:(机器学习中的数学)