开启成长之旅!这是我参与「日新计划 12 月更文挑战」的第2天,点击查看活动概况
1 概率
1.1 概率与随机变量
- 频率学派概率 (Frequentist Probability):以为概率和事情发⽣的频率相关。
- 贝叶斯学派概率 (Bayesian Probability):以为概率是对某件事发⽣的确认程度,能够理解成是确信的程度。
- 随机变量 (Random Variable):⼀个或许随机取不同值的变量。例如:抛掷⼀枚硬币,出现正⾯或者反⾯的成果
2 概率散布
2.1 概率质量函数
2.1.1 界说
关于离散型变量,咱们先界说⼀个随机变量,然后⽤~符号来说明它遵循的散布:x∼P(x),函数P是随机变量x的PMF。
2.1.2 举例
⼀个离散型x有k个不同的值,咱们能够假设x是均匀散布的(也就是将它的每个值视为等或许的),经过将它的PMF设为
修改
关于所有的i都成⽴。
2.2 概率密度函数
研究的对象是接连型时,能够引⼊相同的概念。
2.2.1 界说
如果⼀个函数 p 是概率密度函数:
修改
2.2.2 举例
在 (a; b) 上的均匀散布:
修改
分母表明在(a,b)内为1,否则为0。
2.3累积散布函数(Cummulative Distribution Function)
累积散布函数表明对小于x 的概率的积分:
修改
2.4 代码完成:均匀散布
# 函数功用:回来规模内的均匀散布
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import uniform
# 生成样本
fig, ax = plt.subplots(1, 1)
r = uniform.rvs(loc=0, scale=1, size=1000)
ax.hist(r, density=True, histtype='stepfilled', alpha=0.5)
# numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
# (回来的是 [start, stop]之间的均匀散布)
# start:回来样本数据开始点
# stop:回来样本数据完毕点
# num:生成的样本数据量,默以为50
# endpoint:True则包括stop;False则不包括stop
# retstep:即如果为True,则成果会给出数据间隔
# dtype:输出数组类型
# axis:0(默认)或-1
# 均匀散布 pdf
x = np.linspace(uniform.ppf(0.01), uniform.ppf(0.99), 100)
ax.plot(x, uniform.pdf(x), 'r-', lw=5, alpha=0.8, label='uniform pdf')
plt.show()
修改
2.5条件概率与条件独立
2.5.1 边缘概率 (Marginal Probability)
如果已知⼀组变量的联合概率散布,但想了解其间⼦集的概率散布。这种界说在子集上的概率散布被称为边缘概率散布。
修改
2.5.2 条件概率(Conditional Probability)
在很多情况下,咱们感兴趣的是某个事情,在给定其他事情发⽣时出现的概率。这种概率叫做条件概率。
修改
2.5.3 条件概率的链式法则(Chain Rule of Conditional Probability)
任何多维随机变量的联合概率散布,都能够分解成只有⼀个变量的条件概率相乘方式
修改
2.5.4 独立性(Independence)
两个随机变量 x 和 y,如果它们的概率散布能够表⽰成两个因⼦的乘积方式,而且⼀个因⼦只包括 x 另⼀个因⼦只包括y,咱们就称这两个随机变量是彼此独⽴的。
修改
2.5.5 条件独立性(Conditional Independence)
如果关于 x 和 y 的条件概率散布关于 z 的每⼀个值都能够写成乘积的方式,那么这两个随机变量 x 和y 在给定随机变量 z 时是条件独⽴的。
修改
2.6随机变量的衡量
2.6.1 希望
希望(Expectation):函数f关于概率散布P(x)或p(x)的希望表⽰为由概率散布产⽣x,再计算f作⽤到x上后f(x)的平均值。
希望是线性的:
修改
2.6.2离散型随机变量的希望
经过求和得到:
修改
2.6.3接连型随机变量的希望
接连型随机变量能够经过求积分:
修改
2.6.4 方差(Variance)
衡量的是当咱们对 x 依据它的概率散布进⾏采样时,随机变量 x 的函数值会出现多⼤的差异,描绘采样得到的函数值在希望上下的波动程度:
修改
2.6.5 标准差 (Standard Deviation)
将⽅差开平⽅即为标准差。
2.6.6 协方差
⽤于衡量两组值之间的线性相关程度:
修改
独⽴⽐零协⽅差要求更强,由于独立还排除了非线性的相关。
2.7 代码完成:协方差
import numpy as np
x = np.array([1,2,3,4,5,6,7,8,9])
y = np.array([9,8,7,6,5,4,3,2,1])
Mean = np.mean(x)
Var = np.var(x) # 默认整体方差
Var_unbias = np.var(x, ddof=1) # 样本方差(无偏方差)
Cov = np.cov(x,y)
print("平均值:",Mean) # 5.0
print("整体方差:",Var) # 6.666666666666667
print("样本方差(无偏方差):",Var_unbias) # 7.5
print("协方差:",Cov) # [[ 7.5 -7.5] [-7.5 7.5]]
3 常见概率散布
3.1伯努利散布 (两点散布) (Bernoulli Distribution)
3.1.1 界说
修改
3.1.2 代码完成:伯努利散布
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import bernoulli
def plot_distribution(X, axes=None):
""" 给定随机变量,绘制 PDF, PMF, CDF"""
if axes is None:
fig, axes = plt.subplots(1, 2, figsize=(10, 3))
x_min, x_max = X.interval(0.99)
x = np.linspace(x_min, x_max, 1000)
if hasattr(X.dist, 'pdf'): # 判别有没有 pdf,便是不是接连散布
axes[0].plot(x, X.pdf(x), label="PDF")
axes[0].fill_between(x, X.pdf(x), alpha=0.5) # alpha 是通明度, alpha=0 表明 100% 通明, alpha=100 表明彻底不通明
else: # 离散散布
x_int = np.unique(x.astype(int))
axes[0].bar(x_int, X.pmf(x_int), label="PMF") # pmf 和 pdf 是相似的
axes[1].plot(x, X.cdf(x), label="CDF")
for ax in axes:
ax.legend()
return axes
fig, axes = plt.subplots(1, 2, figsize=(10, 3)) # 画布
p = 0.3
X = bernoulli(p) # 伯努利散布
plot_distribution(X, axes=axes)
plt.show()
possibility = 0.3
def trials(n_samples):
samples = np.random.binomial(n_samples, possibility) # 成功的次数
proba_zero = (n_samples-samples)/n_samples
proba_one = samples/n_samples
return [proba_zero, proba_one]
fig, axes = plt.subplots(1, 2, figsize=(10, 3))
# 一次试验, 伯努利散布
n_samples = 1
axes[0].bar([0, 1], trials(n_samples), label="Bernoulli")
# n 次试验, 二项散布
n_samples = 1000
axes[1].bar([0, 1], trials(n_samples), label="Binomial")
for ax in axes:
ax.legend()
plt.show()
修改
修改
3.2领域散布 (分类散布)(Multinoulli Distribution)
3.2.1 界说
领域散布是指在具有 k 个不同值的单个离散型随机变量上的散布
3.2.2 代码完成:领域散布 (分类散布)
import numpy as np
import matplotlib.pyplot as plt
def k_possibilities(k):
"""
随机发生一组 10 维概率向量
"""
res = np.random.rand(k)
_sum = sum(res)
for i, x in enumerate(res):
res[i] = x / _sum
return res
fig, axes = plt.subplots(1, 2, figsize=(10, 3))
# 一次试验, 领域散布
k, n_samples = 10, 1
samples = np.random.multinomial(n_samples, k_possibilities(k)) # 各维度“成功”的次数
axes[0].bar(range(len(samples)), samples/n_samples, label="Multinoulli")
# n 次试验, 多项散布
n_samples = 1000
samples = np.random.multinomial(n_samples, k_possibilities(k))
axes[1].bar(range(len(samples)), samples/n_samples, label="Multinomial")
for ax in axes:
ax.legend()
plt.show()
修改
3.3高斯散布 (正态散布)
3.3.1 界说
修改
修改
中⼼极限定理 (Central Limit Theorem) 以为,⼤量的独⽴随机变量的和近似于⼀个正态散布,因而能够以为噪声是归于正态散布的。
3.3.2 代码完成:正态散布
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
def plot_distribution(X, axes=None):
""" 给定随机变量,绘制 PDF, PMF, CDF"""
if axes is None:
fig, axes = plt.subplots(1, 2, figsize=(10, 3))
x_min, x_max = X.interval(0.99)
x = np.linspace(x_min, x_max, 1000)
if hasattr(X.dist, 'pdf'): # 判别有没有 pdf,便是不是接连散布
axes[0].plot(x, X.pdf(x), label="PDF")
axes[0].fill_between(x, X.pdf(x), alpha=0.5) # alpha 是通明度, alpha=0 表明 100% 通明, alpha=100 表明彻底不通明
else: # 离散散布
x_int = np.unique(x.astype(int))
axes[0].bar(x_int, X.pmf(x_int), label="PMF") # pmf 和 pdf 是相似的
axes[1].plot(x, X.cdf(x), label="CDF")
for ax in axes:
ax.legend()
return axes
fig, axes = plt.subplots(1, 2, figsize=(10, 3)) # 画布
mu, sigma = 0, 1
X = norm(mu, sigma) # 标准正态散布
plot_distribution(X, axes=axes)
plt.show()
修改
3.4 多元高斯散布 (多元正态散布)
3.4.1 界说
修改
3.4.2 代码完成:
import numpy as np
from scipy.stats import multivariate_normal
import matplotlib.pyplot as plt
x, y = np.mgrid[-1:1:.01, -1:1:.01]
pos = np.dstack((x, y))
fig = plt.figure(figsize=(4,4))
axes = fig.add_subplot(111)
mu = [0.5, -0.2] # 均值
sigma = [[2.0, 0.3], [0.3, 0.5]] # 协方差矩阵
X = multivariate_normal(mu, sigma) # 多元高斯散布
axes.contourf(x, y, X.pdf(pos))
plt.show()
修改
3.5指数散布(Exponential Distribution)
3.5.1 界说
修改
是用于在x=0处取得最⾼的概率的散布,其间>0是散布的⼀个参数,常被称为率参数。
3.5.2 代码完成:指数散布
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import expon
def plot_distribution(X, axes=None):
""" 给定随机变量,绘制 PDF, PMF, CDF"""
if axes is None:
fig, axes = plt.subplots(1, 2, figsize=(10, 3))
x_min, x_max = X.interval(0.99)
x = np.linspace(x_min, x_max, 1000)
if hasattr(X.dist, 'pdf'): # 判别有没有 pdf,便是不是接连散布
axes[0].plot(x, X.pdf(x), label="PDF")
axes[0].fill_between(x, X.pdf(x), alpha=0.5) # alpha 是通明度, alpha=0 表明 100% 通明, alpha=100 表明彻底不通明
else: # 离散散布
x_int = np.unique(x.astype(int))
axes[0].bar(x_int, X.pmf(x_int), label="PMF") # pmf 和 pdf 是相似的
axes[1].plot(x, X.cdf(x), label="CDF")
for ax in axes:
ax.legend()
plt.show()
return axes
fig, axes = plt.subplots(1, 2, figsize=(10, 3))
# 界说 scale = 1 / lambda
X = expon(scale=1)
# 指数散布
plot_distribution(X, axes=axes)
修改
3.6 拉普拉斯散布(Laplace Distribution)
3.6.1 界说
修改
这也是能够在⼀个点取得⽐较⾼的概率的散布。
3.6.2 代码完成:拉普拉斯散布
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import laplace
def plot_distribution(X, axes=None):
""" 给定随机变量,绘制 PDF, PMF, CDF"""
if axes is None:
fig, axes = plt.subplots(1, 2, figsize=(10, 3))
x_min, x_max = X.interval(0.99)
x = np.linspace(x_min, x_max, 1000)
if hasattr(X.dist, 'pdf'): # 判别有没有 pdf,便是不是接连散布
axes[0].plot(x, X.pdf(x), label="PDF")
axes[0].fill_between(x, X.pdf(x), alpha=0.5) # alpha 是通明度, alpha=0 表明 100% 通明, alpha=100 表明彻底不通明
else: # 离散散布
x_int = np.unique(x.astype(int))
axes[0].bar(x_int, X.pmf(x_int), label="PMF") # pmf 和 pdf 是相似的
axes[1].plot(x, X.cdf(x), label="CDF")
for ax in axes:
ax.legend()
plt.show()
return axes
fig, axes = plt.subplots(1, 2, figsize=(10, 3))
mu, gamma = 0, 1
X = laplace(loc=mu, scale=gamma)
plot_distribution(X, axes=axes)
修改
3.5 Dirac 散布
修改
4常用函数的有用性质
4.1logistic sigmoid 函数
修改
logistic sigmoid函数一般⽤来产⽣伯努利散布中的参数,由于它的规模是(0;1),处在的有效取值规模内。
sigmoid函数在变量取绝对值⾮常⼤的正值或负值时会出现饱和现象,意味着函数会变得很平,而且对输⼊的微⼩改动会变得不敏感。
4.2softplus 函数
修改
softplus函数能够⽤来产⽣正态散布的和参数,由于它的规模是(0,∞)。当处理包括sigmoid函数的表达式时它也经常出现。
softplus函数名来源于它是别的⼀个函数的平滑(或软化)方式,这个函数是:
修改
4.3 代码完成:logistic sigmoid函数 + softplus函数
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-10, 10, 100)
sigmoid = 1/(1 + np.exp(-x))
softplus = np.log(1 + np.exp(x))
fig, axes = plt.subplots(1, 2, figsize=(10, 3))
axes[0].plot(x, sigmoid, label='sigmoid')
axes[1].plot(x, softplus, label='softplus')
for ax in axes:
ax.legend()
plt.show()
修改