【概率分布】正态分布(高斯分布)原理、可视化与机器学习实战

深度学习中的高斯分布 高斯分布(Gaussian Distribution)又称正态分布(Normal Distribution)。高斯分布是一种重要的模型,其广泛应用与连续型随机变量的分布中,在数据分析领域中高斯分布占有重要地位。高斯分布是一个非常常见的连续概率分布。由于中心极限定理(Central Limit Theorem)的广泛应用,高斯分布在统计学上非常重要。 阅读详情

概率分布核心:正态分布(高斯分布)原理、可视化与机器学习实战

正态分布(Normal Distribution),又称高斯分布,是整个概率论、数理统计、机器学习、数据分析中最核心、应用最广泛的连续型概率分布。自然界、人类社会、工程系统中大量随机现象都服从或近似服从正态分布,本文从直观理解、数学公式、Python实现到机器学习应用


一、什么是正态分布?直观理解

正态分布是描述大量独立随机因素叠加后结果的分布,典型特征是中间多、两头少、左右对称,呈现完美钟形曲线。

典型现实例子

  • 人群身高、体重、智商
  • 测量误差、实验误差
  • 产品质量指标、考试分数
  • 大量独立随机变量的平均值

正态分布的 4 个核心特征

  1. 对称性:关于均值μ\muμ完全对称
  2. 三值合一:均值 = 中位数 = 众数
  3. 钟形曲线:中间概率密度最高,向两侧快速下降
  4. 68-95-99.7 法则:
    • 约 68% 数据落在μ±σ\mu \pm \sigmaμ±σ内
    • 约 95% 数据落在μ±2σ\mu \pm 2\sigmaμ±2σ内
    • 约 99.7% 数据落在μ±3σ\mu \pm 3\sigmaμ±3σ内

二、正态分布的数学定义

若连续型随机变量XXX的概率密度函数为以下形式,则称XXX服从参数为μ,σ2\mu,\sigma^2μ,σ2的正态分布,记为:
X∼N(μ,σ2)X \sim N(\mu,\sigma^2)X∼N(μ,σ2)

概率密度函数(PDF)

f(x)=12πσ2exp⁡(−(x−μ)22σ2) f(x)=\frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right) f(x)=2πσ2​1​exp(−2σ2(x−μ)2​)

参数含义

  • μ\muμ:均值,决定分布中心位置
  • σ\sigmaσ:标准差,决定分布宽窄(σ\sigmaσ越大越扁,越小越尖)
  • σ2\sigma^2σ2:方差

标准正态分布(最重要特例)

当μ=0, σ=1\mu=0,\ \sigma=1μ=0, σ=1时,称为标准正态分布,记为:
Z∼N(0,1)Z \sim N(0,1)Z∼N(0,1)

任何正态分布都可以通过标准化转为标准正态分布:
Z=X−μσZ = \frac{X-\mu}{\sigma}Z=σX−μ​


三、正态分布的来源:中心极限定理(CLT)

正态分布之所以无处不在,根本原因是中心极限定理:

大量独立同分布的随机变量的均值/和,无论原本服从什么分布,最终都近似服从正态分布。

这是统计推断、假设检验、误差分析、机器学习的理论基石。


四、Python 实现正态分布(可直接运行)

1. 标准正态分布生成与可视化

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 标准正态分布:均值0,标准差1
mu, sigma = 0, 1
data = np.random.normal(mu, sigma, 1000)

# 绘图
sns.set(style="whitegrid")
plt.figure(figsize=(8, 5))
sns.histplot(data, kde=True, color="#3498db", bins=30)
plt.title("Standard Normal Distribution  μ=0, σ=1", fontsize=14)
plt.xlabel("Value")
plt.ylabel("Frequency/Density")
plt.show()

2. 自定义参数正态分布

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 自定义:均值10,标准差2
mu, sigma = 10, 2
data = np.random.normal(mu, sigma, 1000)

sns.set(style="whitegrid")
plt.figure(figsize=(8, 5))
sns.histplot(data, kde=True, color="#2ecc71", bins=30)
plt.title("Normal Distribution  μ=10, σ=2", fontsize=14)
plt.xlabel("Value")
plt.ylabel("Frequency/Density")
plt.show()

五、正态分布在机器学习中的经典应用

正态分布是机器学习概率模型、特征工程、模型评估的基础,最典型应用是高斯朴素贝叶斯(GaussianNB)。

高斯朴素贝叶斯原理

假设每个特征都服从正态分布,利用正态分布 PDF 计算类条件概率,实现高效分类。

Python 实战代码

from sklearn.datasets import make_classification
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 生成分类数据
X, y = make_classification(
    n_samples=1000, n_features=2,
    n_informative=2, n_redundant=0, random_state=42
)

# 划分训练集/测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42
)

# 高斯朴素贝叶斯(假设特征服从正态分布)
model = GaussianNB()
model.fit(X_train, y_train)

# 预测与评估
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred)
print(f"模型准确率:{acc*100:.2f}%")

六、正态分布高频考点(本科/考研必备)

  1. 正态分布 → 标准化 → 标准正态分布
  2. 68-95-99.7 法则常用于快速估算
  3. 中心极限定理是所有统计推断的基础
  4. 正态分布是t分布、卡方分布、F分布的构造源头
  5. 机器学习中常用于异常检测、数据归一化、噪声建模

七、总结

正态分布是统计学的基石、机器学习的底层工具:

  • 形状由μ\muμ(位置)和σ\sigmaσ(宽度)唯一决定
  • 对称、钟形、中间集中、两端稀疏
  • 中心极限定理保证其普适性
  • 广泛用于误差分析、统计检验、特征建模、分类算法

掌握正态分布,等于掌握了一半的概率论与统计学习。

数学基础--高斯分布 关于协方差矩阵在机器学习中的理解 高斯分布 参考资料 参考资料 阅读详情

相关推荐

核密度估计法(KDE)的概念,应用,优点,缺点,以及与正态分布(高斯分布)的区别,以及与概率分布的区别联系。看完你就真正捋清这些概念了

核密度估计法(KDE)的发展起源可以追溯到1950年代和1960年代。在概率论中,人们经常需要估计未知的密度函数,以便更好地理解数据的分布特征。在早期,直方图被广泛用于一维数据的密度估计。直方图将数据分成若干区间,并统计落入每个区间内的点的数量,然后用直观的方式将结果可视化。然而,直方图存在一些局限性,例如无法处理多维数据,以及对于边界效应的处理不够理想。为了克服这些局限性,Rosenblatt (1955)和Emanuel Parzen(1962)提出了一种名为核密度估计的非参数方法。

qlkaicx的博客 1万+

数学基础--高斯分布详解

正态分布(Normal Distribution),又名高斯分布(Gaussian Distribution),是一个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。约翰·卡尔·弗里德里希·高斯(Johann Carl Friedrich Gauss)是德国著名数学家、物理学家、天文学家、大地测量学家,他是近代数学奠基者之一,被认为是历史上最重要的数学家之一,并享有“数学王子”的美誉。他的头像也被印在以前德国的官方货币(德国马克 10 马克)上,如图 1 所示。

积木的笔记 3万+

高斯分布与拉普拉斯分布:从数学原理到Python实战解析

本文深入解析了高斯分布与拉普拉斯分布的数学原理及其在Python中的实战应用。通过对比两种分布的概率密度函数、可视化效果和关键特性,揭示了它们在异常值检测、信号处理和机器学习中的不同应用场景。文章包含详细的Python代码示例,帮助读者从理论到实践全面掌握这两种重要概率分布。

weixin_30329623的博客 338

高斯分布(正态分布)详解

高斯分布的概念详解以及通俗易懂解释、实际应用等。

qq_37346140的博客 5万+

高斯分布

高斯分布又叫正态分布,是统计学中最重要的连续概率分布。研究表明,在物理科学和经济学中,大量数据的分布通常是服从高斯分布,。高斯分布分为一维高斯分布和多维高斯分布。假设一维随机变量X服从高斯分布如下:它的概率密度函数见公式为:。分布的均值决定了图形中心的位置,标准差决定了图像的高度和宽度。标准差大时,曲线呈现出“矮胖”,标准差小时,曲线呈现出“高瘦”。因此通过改变均值和标准差,根据其概率密度函数得到不同的高斯分布,见下图。时,就得到了标准高斯分布。

qq_42148307的博客 8485

Python:正态分布(Gaussian Distribution) 的技术指南

Python:正态分布(Gaussian Distribution) 的技术指南

木头 580

机器学习中的高斯分布

高斯分布与聚类之GMM;高斯分布与数据预处理;高斯分布与马氏距离;

轩逸云的博客 9833

最大熵原理与高斯分布的深入解析

本文通过深入解析最大熵原理以及高斯分布的性质,探讨了在给定约束条件下如何确定概率分布,以及如何通过特征值和特征向量对多元正态分布进行变换。文章首先介绍了最大熵分布的推导过程,接着阐述了高斯分布的熵计算方法,并通过实例展示了如何应用最大熵原理解决实际问题。文章还介绍了白化变换和马氏距离在多元统计分析中的应用,揭示了多元高斯分布的几何特性。

weixin_31163455的博客 641

高斯分布原理与应用:从基础到Python实践

高斯分布(正态分布)是统计学和机器学习中最基础且重要的概率分布模型,其钟形曲线特征由均值μ和标准差σ完全确定。从原理上看,68-95-99.7规则揭示了数据在μ±σ、μ±2σ和μ±3σ范围内的分布规律,这一特性使其成为误差分析和假设检验的理论基础。在工程实践中,NumPy的randn()函数配合线性变换可高效生成指定参数的高斯分布数据,而直方图分箱数选择直接影响数据可视化效果。作为集中趋势度量的均值和中位数,配合方差、标准差等离散程度指标,构成了描述高斯分布数据的完整方法论。这些技术在机器学习模型评估、数据

weixin_30292745的博客 361

C语言实现高斯分布随机数生成详解

高斯分布,又称正态分布,是统计学中最重要且最常见的概率分布之一,广泛应用于自然科学、社会科学、工程技术和金融建模等领域。其钟形曲线特性使得许多自然现象和实验数据趋于集中分布,便于建模与分析。在计算机科学中,随机数生成是模拟、加密、机器学习和算法设计的基础。其中,高斯分布随机数因其符合现实数据的分布特征,在模拟真实世界场景时尤为重要。例如,在金融模型中用于风险评估,在机器学习中用于参数初始化,在信号处理中用于噪声模拟等。

weixin_36231030的博客 607

MATLAB 论文复现——基于虚拟储能的电动汽车充放电调度策略及激励评价

文章基于虚拟储能聚合体仿真模型优化电动汽车充放电调度,并采用复合权重评价电动汽车的充电激励。根据电动汽车灵活性和系统稳定性衡量其贡献大小,并通过模糊推理系统模拟用户的充电意愿,实现对电动汽车充电的引导和优化。[1]陈朔,胡昊,方慧敏,等.基于虚拟储能的电动汽车充放电调度策略及激励评价[J/OL].系统仿真学报,1-12[2024-07-24].https://doi.org/10.16182/j.issn1004731x.joss.23-1316.基于虚拟储能的电动汽车充放电调度策略及激励评价。

sjr1478的博客 366

统计至简中的条件高斯分布:条件概率高级应用

条件高斯分布是统计学中的一个重要概念,它描述了在给定某些变量条件下其他变量的概率分布特性。在《统计至简》这本鸢尾花书中,条件高斯分布作为概率统计的高级应用,为机器学习和数据分析提供了强大的数学基础。本文将深入探讨条件高斯分布的核心概念、数学原理及其在实际应用中的重要性。 ## 条件高斯分布的基本概念 条件高斯分布是指在高斯分布(正态分布)框架下,当已知某些随机变量的取值时,其他随机变量的条件概

gitblog_00451的博客 479

别再手动抄表了!用PaddleOCR超轻量模型5分钟搞定数字仪表识别(附完整Python代码)

本文介绍如何利用PaddleOCR超轻量模型快速实现工业仪表数字识别自动化。通过5行核心代码和关键预处理步骤,显著提升识别准确率至98.2%,解决传统OCR在工业场景中的体积大、抗干扰弱等问题,并提供完整Python代码和边缘部署优化方案。

weixin_31062533的博客 353

正态分布原理与机器学习应用全解析

正态分布是概率论中的核心概念,其钟形曲线特征由均值μ和标准差σ决定。从数学本质看,它满足68-95-99.7法则和线性变换不变性,这使其成为特征工程和模型假设的基础。在机器学习实践中,Z-score标准化和异常值检测都依赖正态分布特性,而高斯混合模型等算法直接以其为理论基础。通过Python可视化可直观理解参数影响,Shapiro-Wilk检验则用于验证数据正态性。在工业质量控制场景中,正态分布帮助计算过程能力指数CPK,典型如零件尺寸检测案例。掌握Box-Cox变换等非正态数据处理方法,能有效提升模型性能

weixin_28235513的博客 96

通达信【雷霆尊者排序】实战指南:高胜率竞价指标解析与优化策略

本文详细解析了通达信【雷霆尊者排序】指标在集合竞价阶段的应用,提供从基础设置到实战解码的完整指南。文章重点剖析了‘雷霆’、‘使者’、‘精选’等核心信号的逻辑与共振策略,并分享了如何结合K线、市场情绪进行综合研判与风险控制,旨在帮助短线交易者提升早盘选股效率与胜率。

pear55的博客 955

window系统 dlib库安装

1. 安装visual studio 1.1. 安装vs2017或以上版本 1.2. 我们需要安装使用C++的桌面开发,且必须选上用于Cmake的Visual C++工具 1.3. 安装完成后,将D:\Program Files (x86)\Microsoft Visual Studio\2019\Community\Common7\IDE\CommonExtensions\Microsoft\CMake\CMake\bin 添加到环境变量PATH中 2 下载cmake文件,并添加环境变量 2.1 在c

@bangbang的博客 818

如何用机器学习实现服务器异常检测:高斯分布实战指南

在当今数字化时代,服务器稳定性直接影响企业运营效率。传统的监控系统往往依赖固定阈值,难以应对复杂多变的网络环境。🤔 本文将详细介绍如何利用高斯分布算法,通过机器学习技术实现智能化的服务器异常检测。通过分析服务器运行参数如延迟和吞吐量,构建能够自动识别异常行为的监测系统。 ## 什么是服务器异常检测? **服务器异常检测**是通过分析服务器运行数据,识别与正常模式显著不同的异常行为。在服务器监

gitblog_00538的博客 515

西门子S7-200 SMART与施耐德ATV变频器Modbus通讯实战:从接线到稳定运行的完整指南

本文详细介绍了西门子S7-200 SMART PLC与施耐德ATV变频器之间实现稳定Modbus通讯的完整实战指南。内容涵盖从硬件接线、参数配置、PLC程序编写到触摸屏设计的全流程,并分享了提升通讯稳定性的关键技巧和常见故障排查方法,助力工业自动化系统可靠运行。

kkk56的博客 1112

Python+NumPy实现高斯分布:从数学公式到数据可视化

本文详细介绍了如何使用Python和NumPy从数学公式开始实现高斯分布(正态分布),并完成数据可视化。内容涵盖手动实现、NumPy向量化计算、SciPy专业工具应用,以及异常检测、数据标准化等实战案例,帮助读者深入理解并应用这一概率统计中的核心概念。

alice7model的博客 625

ConvNeXt 改进 :ConvNeXt添加GnConv递归门控卷积,二次创新CNBlock结构 ,独家首发

视觉 Transformer 在多种任务中取得了显著的成功,这得益于基于点积自注意力的新空间建模机制。视觉 Transformer 中的关键因素——即输入自适应、长距离和高阶空间交互——也可以通过卷积框架高效实现。作者提出了递归门控卷积(Recursive Gated Convolution,简称 gnConv),通过门控卷积和递归设计执行高阶空间交互。该新操作具有高度的灵活性和可定制性,兼容各种卷积变体,并将自注意力中的二阶交互扩展到任意阶数,而不会引入显著的额外计算。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 243

[QMT和ptrade量化交易小白入门]-112、小市值热点概念交易策略,回测5年20倍

本专栏主要是介绍QMT和ptrade的基础用法,常见函数,写策略的方法,也会分享一些量化交易的思路,大概会写200篇左右。QMT的相关资料较少,在使用过程中不断的摸索,遇到了一些问题,记录下来和大家一起沟通,共同进步。

木头大左的博客 1084

别再傻傻分不清了!用Python的SciPy和NumPy实战对比高斯分布与逆高斯分布

本文通过Python的SciPy和NumPy库实战对比高斯分布与逆高斯分布的核心差异,详细解析了两种分布的物理意义、参数敏感性及实际应用场景。文章包含代码示例和可视化图表,帮助读者理解高斯分布描述测量误差的特性,以及逆高斯分布建模首次到达时间的独特优势。

weixin_30607029的博客 302

【WorkBuddy从入门到精通实战教程】第 4 章 快速完成第一个 WorkBuddy 任务

摘要:WorkBuddy任务创建指南详细说明了从新建任务到结果验收的全流程。操作步骤包括:选择工作目录、设置模式(Craft/Ask/Plan)、指定AI模型、输入任务说明(需包含目标/输入/动作/约束/输出/验收6要素),可选配Skill等高级设置。文中提供三个入门示例:A)文件整理需保持原文件并生成分类方案;B)会议纪要要求结构化输出且所有内容有原文依据;C)Word转PPT需遵循品牌规范并控制页数。特别强调首次操作应在演练目录测试,处理真实数据前需确认授权范围,输出文件需检查涉密信息并按规范共享。(1

企鹅码农的专属播客,分享10多年的实战案例和经验解读,包含YOLO、RT-DETR、AI等各个工作领域。 1416

工业异常检测实战:基于高斯分布的机器学习解决方案

在工业生产和服务器运维中,异常检测是保障系统稳定运行的关键技术。GitHub 加速计划的 homemade-machine-learning 项目提供了基于高斯分布的异常检测实现,能够高效识别服务器操作参数中的异常数据,帮助运维人员及时发现潜在问题。 ## 什么是异常检测? 异常检测(Anomaly Detection)是识别数据中不符合预期模式的罕见事件或观测值的过程。在工业场景中,这些异常

gitblog_00584的博客 1164

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

高斯分布在物联网数据处理中的作用

1.背景介绍 随着物联网的发展,大量的传感器数据在各种场景中产生和传输,如气象、交通、生活、工业等。这些数据的质量和可靠性对于后续的数据分析和决策支持至关重要。然而,这些数据往往存在噪声、异常值和缺失值等问题,需要进行预处理和清洗。高斯分布是一种常见的概率分布,可以用于描述这些数据的特征和性质,从而指导数据处理和分析的方向。本文将介绍高斯分布在物联网数据处理中的作用,包括核心概念、算法原理、具体...

AI天才研究院 1224

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

上一篇: 【概率分布】泊松分布的原理、推导与实战应用
下一篇: 【概率分布】指数分布(Exponential Distribution)原理、推导与实战
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值