浅梦的学习笔记

介绍了数据挖掘中数据的基本统计描述的内容。

最近在看一些概率统计的知识，顺便做了一些笔记整理。基本概率模型这里简单介绍三个概念，古典概型，频率学派，贝叶斯学派。古典概型 这个模型下，随机实验所有可能的结果是有限的，并且每个基本结果发生的概率是相同的 比如：投掷一枚均匀硬币，结果只有两种（假设硬币没有立起来），正面朝上和反面朝上，那么正面朝上的的概率就是0.5。这是基于古典概率模型的计算。频率学派 认为待估计参数是某个未知的常量，通过

频率推断中心极限定理Central Limit Theorem(CLT) 独立同分布的随机变量X，若期望和方差都存在，E(Xi)=μE(X_i)=\mu,D(Xi)=σ2D(X_i)=\sigma^2则N个（N很大）独立同分布的随机变量的和近似服从正态分布，即∑ni=1Xi∼N(nμ,nσ2)\sum_{i=1}^n{X_i} \sim N(n\mu,n\sigma^2)或∑ni=1Xin∼N(

本文介绍了指数分布和正态分步的先验，以及无信息先验。

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。 贝塔分布中的参数可以理解为伪计数，伯努利分布的似然函数可以表示为，表示一次事件发生的概率，它为贝塔有相同的形式，因此可以用贝塔分布作为其先验分布。—–百度百科 概率密度函数0<x<10<x<1 f(x;α,β)=xα−1(