python 伯努利分布

最新推荐文章于 2024-03-20 01:00:00 发布

原创

最新推荐文章于 2024-03-20 01:00:00 发布 · 8.5k 阅读

11 ·

CC 4.0 BY-SA版权

本文介绍了伯努利分布，它是离散概率分布的一种，常用于人工智能中的二元分类问题。伯努利试验有成功（p）和失败（q=1-p）两种结果。二项分布是n重伯努利试验的结果，具有E(x)=np和D(x)=np(1-p)的期望和方差。文章通过举例说明了二项分布的计算，并讨论了其图形特性及与正态分布的关系。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

伯努利分布是一种离散分布,有两种可能的结果。1表示成功，出现的概率为p(其中0<p<1)。0表示失败，出现的概率为q=1-p。这种分布在人工智能里很有用，比如你问机器今天某飞机是否起飞了，它的回复就是Yes或No，非常明确，这个分布在分类算法里使用比较多，因此在这里先学习一下。

概率分布有两种类型：离散（discrete）概率分布和连续（continuous）概率分布。
离散概率分布也称为概率质量函数（probability mass function）。离散概率分布的例子有伯努利分布（Bernoulli distribution）、二项分布（binomial distribution）、泊松分布（Poisson distribution）和几何分布（geometric distribution）等。
连续概率分布也称为概率密度函数（probability density function），它们是具有连续取值（例如一条实线上的值）的函数。正态分布（normal distribution）、指数分布（exponential distribution）和β分布（beta distribution）等都属于连续概率分布。

from scipy.stats import binom   #导入伯努利分布
import matplotlib.pyplot as plt
import numpy as np
#次数
n = 10
#概率
p = 0.3
#导入特征系数
k = np.arange(0, 21)
#伯努利分布的特征值导入
binomial = binom.pmf(k, n, p)
plt.plot(k, binomial, 'o-')
plt.title('Binomial: n = %i, p=%0.2f' % (n, p), fontsize=15)
plt.xlabel('Number of successes')
plt.ylabel('Probability of sucesses', fontsize=15)
plt.savefig(r'C:\Users\Administrator\Desktop\