四、参数估计准则 4.1 最大似然估计 4.2 贝叶斯估计 4.2.1 贝叶斯估计 vs 最大似然估计 4.2.2 最大后验估计 四、参数估计准则 4.1 最大似然估计 假设数据集 中的样本独立同分布地由 产生，但是该分布是未知的。 是一族由 参数控制的概率分布函数族，希望通过 来估计真实的概率分布函数 ，也就是要估计 ...

核密度估计 1 理论分析 2 例子 3 代码实现 参考文献 核密度估计 1 理论分析   核密度估计是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。假设我们有n 个数$x{1},x{2},…,x_{n}$，要计算某个数X 的概率密度有多大，可以通过下面的核密度估计方法估计。   在上面的式子中，K 为核密度函数，h ...

字符列表 随机整数 随机字符串 概率性计算 grand 模块实现了对随机数操作的封装和改进，实现了极高的随机数生成性能，提供了丰富的随机数相关操作方法。 使用方式： import "github.com/gogf/gf/v2/util/grand" 接口文档： https://pkg.go.dev/github.com/gogf/g...

字符列表 随机整数 随机字符串 概率性计算 grand 模块实现了对随机数操作的封装和改进，实现了极高的随机数生成性能，提供了丰富的随机数相关操作方法。 使用方式： import "github.com/gogf/gf/util/grand" 接口文档： https://godoc.org/github.com/gogf/gf/ut...

Distribution Distribution class paddle.distribution.Distribution [源代码] 概率分布的抽象基类，在具体的分布中实现具体功能。 sample ( ) 从分布中采样 entropy ( ) 分布的信息熵 log_prob ( value ) 对数概率密度函数 参数...

概述 分类任务的损失函数 Softmax函数 交叉熵 交叉熵的代码实现 作业 2-2 概述 上一节我们尝试通过更复杂的模型（经典的全连接神经网络和卷积神经网络），提升手写数字识别模型训练的准确性。本节我们继续将“横纵式”教学法从横向展开，如 图1 所示，探讨损失函数的优化对模型训练效果的影响。 图1：“横纵式”教学法 — 损失...

16.2 K摇摆赌博机 16.2.1 ε-贪心 16.2.2 Softmax 16.2 K摇摆赌博机 首先我们考虑强化学习最简单的情形：仅考虑一步操作，即在状态x下只需执行一次动作a便能观察到奖赏结果。易知：欲最大化单步奖赏，我们需要知道每个动作带来的期望奖赏值，这样便能选择奖赏值最大的动作来执行。若每个动作的奖赏值为确定值，则只需要将每...

4. 常见分布 4. 常见分布 二项分布：假设试验只有两种结果：成功的概率为 ，失败的概率为 。 则二项分布描述了独立重复地进行 次试验中，成功 次的概率。 概率质量函数： 期望： 方差： scipy.stats.binom 使用n 参数指定 ；p 参数指定 ；loc 参数指定平移 泊松分布：泊松分布使用 描...

grand 随机数模块 字符列表 随机整数 随机字符串 概率性计算 grand 随机数模块 grand 模块实现了对随机数操作的封装和改进，实现了极高的随机数生成性能，提供了丰富的随机数相关操作方法。 使用方式： import "github.com/gogf/gf/util/grand" 接口文档： https://go...

3. 核密度估计 3. 核密度估计 通常我们可以用直方图来观察随机变量的概率密度。但是直方图有个缺点：你选取的直方图区间宽度不同，直方图的形状也发生变化。核密度估计就能很好地解决这一问题。 核密度估计的思想是：对于随机变量的每一个采样点 ，我们认为它代表一个以该点为均值、 为方差的一个正态分布的密度函数 。将所有这些采样点代表的密度函数叠加并归...