机器学习需要掌握的 13 个概率分布

1、均匀分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/uniform.py

2、伯努利分布（离散）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/bernoulli.py

先验概率 p（x）不考虑伯努利分布。因此，如果我们对最大似然进行优化，那么我们很容易被过度拟合。

利用二元交叉熵对二项分类进行分类。它的形式与伯努利分布的负对数相同。

参数为 n 和 p 的二项分布是一系列 n 个独立实验中成功次数的离散概率分布。

二项式分布是指通过指定要提前挑选的数量而考虑先验概率的分布。

4、多伯努利分布/分类分布（离散）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/categorical.py

多伯努利称为分类分布。交叉熵和采取负对数的多伯努利分布具有相同的形式。

5、多项式分布（离散）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/multinomial.py

多项式分布与分类分布的关系与伯努尔分布与二项分布的关系相同。

6、β 分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/beta.py

7、Dirichlet 分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/dirichlet.py

8、伽马分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/gamma.py

9、指数分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/exponential.py

指数分布是 α 为 1 时 γ 分布的特例。

10、高斯分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/gaussian.py

11、正态分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/normal.py

正态分布为标准高斯分布，平均值为 0，标准差为 1。

12、卡方分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/chi-squared.py

卡方分布是 β 分布的特例。

13、t 分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/student-t.py

t 分布是对称的钟形分布，与正态分布类似，但尾部较重，这意味着它更容易产生远低于平均值的值。