# 2021.09.18 点赞过1 明日更新下一P
# 内容：P10,P11
主要参考：https://blog.csdn.net/oldmao_2001/article/details/90314458
高斯分布：https://zhuanlan.zhihu.com/p/262125747
文章目录
P10: 概率分类模型
10.1 线性回归模型短板
- 不足1： 当我们发现有些数据很离谱，那么会严重影响模型，使得得出我们不想要的结果
右图我们得到的是紫的回归线，很明显 不是最理想的绿色
-
不足2：多分类的时候，错误的估计关系
我们多分类时，有分类1,2,3.线性回归会很自然的认为 3类离2类相似度更近，相对于1类来说。
-
不足3：有些模型你没办法计算
损失函数是输出和标记（label）不同的次数之和，这个函数是无法微分的。学过的梯度下降无法解决这个问题，解决方案有：感知机、支持向量机，但今天会用概率的方式解决这个问题。
10.2 贝叶斯
大名鼎鼎的贝叶斯是啥？很简单。
贝叶斯：拿到一个球是绿球，这个球是C1类拿出的概率是：
其中，全概率公式：
.
说人话就是，取出x的概率(比如绿球的概率)=C1箱中拿个球是绿 x x x球 x 选C1箱的概率 + C2箱中拿个球 x x x是绿球 x 选C2箱的概率
*注 运算符号为黄
10.3 高斯分布
正态分布数学推导过程：
https://zhuanlan.zhihu.com/p/24437232
【引题】
如果你抓了一把沙子，然后将它撒在桌子上，那么，沙子会均匀的铺在桌子上么，不会，沙子会堆成一个小堆，中心沙子最多，离中心越远沙子越少。
如果一个地区的平均工资是6000元，那么，收入2000元和10000元的人将是少数，大部分人的工资会在6000元左右浮动。
我们通常发现，以上问题都有很规律的分布，就是中间概率大，极端概率小的问题。
【单变量高斯分布】
-
高斯分布就是大名鼎鼎的正态分布
- 参数 方差 σ \sigma σ 参数下的图像
可以说 方差 σ \sigma σ 控制着高斯分布的“瘦”和“胖”。也很容易理解，因为方差主要看离散程度，如果方差越小，说明越集中，那么中间统计数量就越多，概率就越大，图形就越高；如果方差越大，说明，数据越离散，极端情况的数据就相对于更多，分布就越扁。
方差公式：
σ 2 = ( 1 / m ) ∑ i = 1 m ( x i − μ ) 2 \sigma^2=(1/m)\sum_{i=1}^m(x^i-\mu)^2 σ2=(1/m)∑i=1m(xi−μ)2
.
这里， x i x^i xi是数据集中的单个值，m是数据的总数。
- 参数 均值
μ
\mu
μ
左图的形状与右图完全相同，只是中心移动到了3。现在最大的密度是3。也很容易理解， μ \mu μ是个均值概念，也就是平均值，他的值就应该是分布最多的地方，也是正态分布轴的位置。
方差公式：
μ = ( 1 / m ) ∑ i = 1 m x i \mu=(1/m)\sum_{i=1}^mx^i μ=(1/m)∑i=1mxi
.
这里， x i x^i xi是数据集中的单个值，m是数据的总数。
【多元高斯分布】
这里面有三个参数：
- x是个n维向量，比如宝可梦7个特征，那么x就是7维；
- μ \mu μ 是均值向量，例子中是也是七维
- 大写sigma : Σ \Sigma Σ是个矩阵，例子中是个7*7的矩阵
我们也就是 知道一个数据x的n位特征和抽样统计分布的 μ ， Σ \mu，\Sigma μ，Σ, 我们能求出来,这个数据抽样出来的概率。
10.4 应用过程
以李宏毅老师，宝可梦二维数据来演示二分类过程，数据应用计算过程
已知：我们从样本中抽了140只宝可梦，水系宝可梦79只，一般系宝可梦61只
求：如何知道一个宝可梦（例如一只海龟）属于水系的概率是多少？即 P(x|C1)，如果是2分类，大于0.5，那么就归于class1（水系）
【思路】
我们如果知道P(C1),P(C2),P(x|C1),P(x|C2),四个概率 就可解求得
- ① 求水系宝可梦概率P(C1) 和 一般系宝可梦概率 P(C2)
P(C1) = 79/(79+61) = 0.56
P(C2) = 61/(79+61) = 0.44
- ② 找到均值和协方差矩阵（最大似然 maximum likelihood）
【杨哥解析】
- 首先这140只宝可梦是抽出来的，满足高斯分布
- 如图，取样可能满足多个高斯分布
如何选择？
我们选择概概率最大的，也就是最大似然高斯分布（ μ ∗ , Σ ∗ \mu^*,\Sigma^* μ∗,Σ∗）
正规求法：
直接结果法，求C1的分布：
同理，求C2的。得到一下结果
- ③ 用高斯分布分别求向量x[103.45]在两个高斯分布的概率，即计算P(x|C1),P(x|C2)
10.5 模型改进
- 我们为了简化计算过程，用了同一个 Σ \Sigma Σ
- 最大似然估计
正规求法
偷懒求法：