在机器学习领域,概率分布对于数据的认识有着非常重要的作用。不管是有效数据还是噪声数据,如果知道了数据的分布,那么在数据建模过程中会得到很大的启示。
首先,如下图所示8个特征数据概率分布情况(已经做归一化),这些特征是正态分布、伯努利分布,还是泊松分布、幂律分布?
在高斯法则生效的领域,平均值可以代表整体。但是在幂律法则统治的领域,平均值毫无意义。高斯法则和幂律法则的典型代表是分别身高和财富,把姚明放到100个人中,并不会显著改变平均身高,但把比尔·盖茨放到100个人中,就会极大改变平均财富。
在高斯法则生效的领域,所有人跟平均值的差距不会很大;但是在幂律法则分布的领域,跟平均值的差距就会大到惊人。
正态法则和幂律法则,细思极恐。带着问题,我们开始概率分布之旅。
1. 概率分布概述
概率分布,是指用于表述随机变量取值的概率规律。将随机变量作为横轴,概率作为纵轴,把随机变量与对应变量画上去,构成一个图形,这个图像就是概率分布的直观表示。通常也用概率分布函数表示来描述一个概率分布,概率分布函数被定义为:
总之概率分布也可以理解为一个函数,它刻画了随机变量与概率的映射关系,给定一个概率分布,就可以求任何随机变量对应的概率了。当一个随机变量与它的概率满足某一个概率分布的映射关系时,则称这个随机变量服从该概率分布。
如下图为常用概率分别关系图。
2. 常用概率分布
2.1. 均匀分布
均匀分布在 [a,b] 上具有相同的概率值,是简单概率分布。
均匀分布可以很容易地从伯努利分布中得出。在这种情况下,结果的数量可能不受限制,并且所有事件的发生概率均相同。例如掷骰子,存在多个可能的事件,每个事件都有相同的发生概率。
2.2. 伯努利分布
伯努利分布(Bernoulli Distribution)是单个二值随机变量的分布,是一种离散分布,又称为 “0-1 分布” 或 “两点分布”。例如抛硬币的正面或反面,物品有缺陷或没缺陷,病人康复或未康复,此类满足「只有两种可能,试验结果相互独立且对立」的随机变量通常称为伯努利随机变量。
假设二值其中之一的概率等于,而对于互斥对立面面则是(包含所有可能结果的互斥事件的概率总和为1)。
对于伯努利分布来说,其离散型随机变量期望为:
方差为:
2.3. 二项分布
二项分布(binomial distrubution)就是重复n次独立的伯努利试验。在每次试验中只有两种可能的结果,而且两种结果发生与否互相对立,并且相互独立,与其它各次试验结果无关,事件发生与否的概率在每一次独立试验中都保持不变,则这一系列试验总称为n重伯努利实验,当试验次数为1时,二项分布服从0-1分布。
式中,是二项式系数,又记为。
二项式分布的主要特征是:
给定多个试验,每个试验彼此独立(一项试验的结果不会影响另一项试验)。
每个试验只能得出两个可能的结果(例如,获胜或失败),其概率分别为p和(1- p)。
如果获得成功概率(p)和试验次数(n),则可以使用以下公式计算这n次试验中的成功概率(x)。
如果二项分布满足p<q,np≥5,(或p>q,np≥5)时,二项分布接近正态分布。
2.4. 多项分布
多项式分布(Multinoulli distribution)二项分布的推广。二项分布(也叫伯努利分布)的典型例子是扔硬币,硬币正面朝上概率为p, 重复扔n次硬币,k次为正面的概率即为一个二项分布概率。而多项分布就像扔骰子,有6个面对应6个不同的点数。
某随机实验如果有k个可能结局,分别将他们的出现次数记为随机变量,它们的概率分布分别是,那么在n次采样的总结果中,出现次、出现次、…、出现次的这种事件的出现概率P有下面公式:
多项分布对其每一个结果都有均值和方差,分别为:
2.5. 泊松分布
泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数,电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数、激光的光子数分布等等。【维基百科】
泊松分布的参数是单位时间(或单位面积)内随机事件的平均发生次数。 泊松分布适合于描述单位时间内随机事件发生的次数。
泊松分布的期望和方差均为
一般来说,我们会换一个符号,让
2.6. 正态分布
若随机变量服从一个数学期望为、方差为的正态分布,记为。其概率密度函数为正态分布的期望值决定了其位置,其标准差决定了分布的幅度。当时的正态分布是标准正态分布。
标准正态分布又称为分布,是以0为均数、以1为标准差的正态分布,记为。
一维正态分布
若随机变量服从一个位置参数为 、尺度参数为的概率分布,且其概率密度函数为:
标准正态分布
当时,正态分布就成为标准正态分布:
2.7. 伽马分布
伽玛分布(Gamma Distribution),Gamma分布中的参数α,称为形状参数(shape parameter),β称为尺度参数(scale parameter)。
“指数分布”和“分布”都是伽马分布的特例。
令;且令: (即。
2.8. 几何分布
几何分布(Geometric distribution)在伯努利试验中,记每次试验中事件发生的概率为,试验进行到事件A出现时停止,此时所进行的试验次数为,其分布列为:
此分布列是几何数列的一般项,因此称服从几何分布,记为 。
实际中有不少随机变量服从几何分布,譬如,某产品的不合格率为0.05,则首次查到不合格品的检查次数 。
,当时:
期望和方差:
2.9. 指数分布
在概率理论和统计学中,指数分布(Exponential distribution也称为负指数分布)是描述泊松过程中的事件之间的时间的概率分布,即事件以恒定平均速率连续且独立地发生的过程。 这是伽马分布的一个特殊情况。 它是几何分布的连续模拟,它具有无记忆的关键性质。 除了用于分析泊松过程外,还可以在其他各种环境中找到。
在概率论和统计学中,指数分布是一种连续概率分布。指数分布可以用来表示独立随机事件发生的时间间隔,比如旅客进机场的时间间隔、中文维基百科新条目出现的时间间隔等等。
许多电子产品的寿命分布一般服从指数分布。有的系统的寿命分布也可用指数分布来近似。它在可靠性研究中是最常用的一种分布形式。指数分布是伽玛分布和威布尔分布的特殊情况,产品的失效是偶然失效时,其寿命服从指数分布。
期望与方差:
2.10. 卡方分布
卡方分布(chi-square distribution),也称为分布,若个相互独立的随机变量,均服从标准正态分布(也称独立同分布于标准正态分布),则这个服从标准正态分布的随机变量的平方和构成一新的随机变量,其分布规律称为卡方分布。
分 布 , 就 是
其中
定义 如果随机变脸 之 间 相 互 独 立 且 服 从 , 分 布 , 则 称 随 机 变 量
服从自由度为 的 分 布 记 为
2.11. beta分布
贝塔分布(Beta Distribution) 是一个作为伯努利分布和二项式分布的共轭先验分布的密度函数,在机器学习和数理统计学中有重要应用。在概率论中,贝塔分布,也称分布,是指一组定义在(0,1) 区间的连续概率分布。
其中 是函数。随机变量服从参数为 的分布通常写作
2.12. 幂律分布
幂律分布是指某个具有分布性质的变量,且其分布密度函数是幂函数(由于分布密度函数必然满足“归一律”,所以这里的幂函数,一般规定小于负1)的分布。
幂律分布表现为一条斜率为幂指数的负数的直线,这一线性关系是判断给定的实例中随机变量是否满足幂律的依据。
假设变量x服从参数为 的幂律分布,则其概率密度函数可以表示为:
在双对数坐标下,幂律分布表现为一条斜率为幂指数的负数的直线,这一线性关系是判断给定的实例中随机变量是否满足幂律的依据。Zipf定律与Pareto定律(帕累托定律)
对“长尾”分布研究做出重要贡献的是Zipf和Pareto ,虽然他们并不是这种分布的最早发现者。Zipf定律与Pareto定律都是简单的幂函数,我们称之为幂律分布。
3. 总结
回顾本文的开始,幂律分布的长尾现象很普遍,大数据中小概率数据普遍存在,如何解决呢?
我的方法是把数据,对模型的精度结果影响只有不到千分之一,也就是说数据变换缩短尾巴效果有限。另外的方法,是从整体模型上考虑细分,二八原则中,把20%的分离出来,自顶向下逐步精确。