2048 AI社区

2048 AI社区

AI资讯 AI造物社区 MCP

话题讨论活动竞赛科技篇产业对接

去全站搜索看看？

登录社区云

登录社区云，与社区用户共同成长

2048 AI社区

邀请您加入社区

欢迎加入社区

欢迎加入社区

概率论

什么是极大似然估计/Likelihood、AICc 与 BIC，这是我听过最好的回答【可靠性应用干货】

当你的样本量（数据行数）相对较小，或者模型参数较多时，普通的 AIC 容易误导你选择过于复杂的模型。仍以阿超的冰淇淋为例，假设阿花对阿超有好感的概率为p，则无感的概率为1-p（假设每次都是独立同分布），则根据阿超得到0个冰淇淋其概率为P（0个冰淇淋｜ Model），将第一次结果记为P1，第二次为P2，。与 AICc 的区别（惩罚力度更大）： BIC 在计算“惩罚项”时，不仅考虑了参数的数量，还

 邓蹇超
2026-05-12 19:50:15

 383

 4

#概率论 #机器学习 #人工智能
静磁场仿真-主题064_随机磁场不确定性量化-随机磁场不确定性量化

在现代工程设计中，不确定性无处不在。对于静磁场仿真而言，材料参数、几何尺寸、边界条件等输入参数往往存在不可避免的随机性或认知不确定性。传统的确定性仿真方法无法捕捉这些不确定性对系统输出的影响，可能导致设计过于保守或存在潜在风险。**不确定性量化（Uncertainty Quantification, UQ）**正是解决这一问题的关键技术，它通过数学和统计方法量化输入不确定性向输出的传播，为工程决策

 kkchenjj
2026-04-09 20:36:40

 315

 10

#服务器 #人工智能 #算法 +1
静磁场仿真-主题051_磁浮列车系统-磁浮列车系统

用一句话简述要解决的工程问题：如何设计和分析磁浮列车的悬浮、导向、推进和制动系统，实现无接触、低摩擦、超高速的轨道交通？**磁浮列车（Maglev Train）**是一种利用磁力实现悬浮和推进的现代轨道交通工具。其发展历程可追溯至20世纪初：（1）早期探索（1900-1960年代）（2）技术突破（1970-1990年代）（3）商业化运营（2000年代至今）磁浮列车根据悬浮原理可分为两大类：（1）电

 kkchenjj
2026-04-08 20:21:30

 46

#概率论 #算法 #人工智能 +2
主题039：人工智能在反应工程中的应用

人工智能（AI）正在深刻改变化学反应工程的研究与实践方式。从分子设计到过程优化，从故障诊断到自主控制，AI技术为反应工程带来了前所未有的机遇。机器学习（ML）：深度学习（DL）：生成式AI：问题描述：寻找最优操作条件以最大化目标函数：max⁡xf(x)\max_{\mathbf{x}} \quad f(\mathbf{x})xmaxf(x)其中x=[T,P,催化剂负载,停留时间,...]\mat

kkchenjj
2026-03-02 22:14:06

 373

 4

#人工智能 #概率论 #开发语言 +2
第089篇：海洋平台水动力学

本教程介绍海洋平台的水动力学仿真方法。通过建立波浪-结构相互作用的数学模型，实现海洋平台的运动响应和载荷预测。教程涵盖波浪理论、Morison方程、绕射理论、平台运动响应以及系泊系统分析等内容。海洋平台，波浪理论，Morison方程，绕射理论，系泊系统线性波浪理论（Airy波）：波面方程：η=Acos⁡(kx−ωt)\eta = A \cos(kx - \omega t)η=Acos(kx−ωt)

kkchenkx
2026-03-01 08:52:55

 937

 10

#算法 #机器学习 #人工智能 +4
确定性策略梯度定理的详细推导过程

首先，明确优化的目标。对于一个确定性策略，其性能函数通常定义为起始状态期望回报。但在推导中，更关注其与状态-动作值函数的关系。关键的起点在于，在确定性策略下，状态价值函数等于在该状态下执行策略输出的动作所得到的值。这是确定性策略的一个核心简化性质：这个等式源于确定性策略的本质：在状态下，智能体只会执行一个确定的动作。通过完整的推导，可以澄清和梳理以下关键点。

liliangcsdn
2026-02-28 11:22:53

 1142

 20

#算法 #机器学习 #概率论
主题049: 海洋工程流动

线性波浪理论(Airy波):η=acos⁡(kx−ωt)\eta = a \cos(kx - \omega t)η=acos(kx−ωt)色散关系：ω2=gktanh⁡(kh)\omega^2 = gk \tanh(kh)ω2=gktanh(kh)深水近似 (kh≫1kh \gg 1kh≫1):ω2=gk,c=gk=gT2π\omega^2 = gk, \quad c = \sqrt{\frac{

kkchenkx
2026-02-23 09:50:24

 419

 7

#概率论 #线性代数 #算法 +1
5.1 GLM 系列：从 Autoregressive Blank Infilling 到 Agentic MoE

GLM 的关键在于 attention mask 的设计。Part A 内 tokens彼此可见（双向注意力）不可见Part B tokens（避免“偷看答案”）可见Part A（需要条件信息）可见Part B 中过去 tokens，不可见未来 tokens（因果自回归）如果将拼接后的序列记为A;B[A;B]A;B，对任意两个位置iji,jij若i∈Ai \in Ai∈A且j∈Aj \in Aj∈

qq_68188306
2026-02-22 11:20:20

 877

 12

#概率论 #机器学习 #深度学习 +2
第三十四篇：分子动力学中的纳米材料模拟

表面原子比例增加量子限域效应熔点降低力学性能变化考虑尺寸效应和表面效应选择合适的力场（如AIREBO用于碳材料）足够大的体系以消除边界效应关注界面和表面性质。

kkchenjj
2026-02-20 17:46:03

 137

 2

#算法 #开发语言 #python +1
概率论下的攻防——为什么 AI 无法实现 100% 的防御？

这也解释了为什么我们在上一篇强调“多级漏斗架构”——必须先用白名单和规则过滤掉 99% 的流量，只把最可疑的 1% 交给 AI，人为地提高“攻击浓度（Base Rate）”，贝叶斯公式才会站在我们这一边。我们将拆解贝叶斯定理在网络安全中的冷酷判决，剖析“误报”与“漏报”之间永恒的零和博弈，并最终推导出 AI 时代的安全终极真理——我们不再追求“无懈可击”，我们追求“风险可控”。但这还只是“天灾”。

乾元
2026-01-22 20:41:33

 630

 16

#概率论 #人工智能 #安全 +3
深入揭秘大语言模型的数学原理：机器如何运用线性代数、概率论和微积分等数学工具理解和生成人类语言！

文章系统剖析了驱动大语言模型的核心数学概念，包括线性代数、概率论和微积分等。通过生动类比，揭示了这些工具如何协同工作，使机器能够表示、处理和生成人类语言。文章还介绍了词嵌入、注意力机制和文本生成策略等关键架构组件，强调了数学选择对AI系统安全性的影响。

大耳朵爱学习
2025-12-24 11:21:30

 1243

 27

#语言模型 #线性代数 #概率论 +3
人工智能篇---导数与积分

微积分是AI的核心数学工具：导数作为变化率指导AI优化方向（如梯度下降），积分则用于概率累积和回报计算（如强化学习）。二者互为逆运算，如同导航仪与里程表——导数实时调整参数减小误差，积分统计整体学习效果。在神经网络训练中，导数通过反向传播确定参数更新，积分则累积微小变化形成最终输出。微积分为AI提供了从局部优化到全局评估的完整数学框架，成为机器学习、深度学习等领域的理论基础。

Ronin-Lotus
2025-12-24 02:48:11

 558

 4

#概率论 #人工智能
【大白话 AI 答疑】第7篇熵、交叉熵与交叉熵损失的概念梳理及计算示例

熵是信息论中的核心概念，由香农（Shannon）提出，用于衡量一个随机变量取值的不确定性程度。简单来说，熵值越高，随机变量的不确定性就越大；熵值越低，不确定性就越小。当随机变量的取值确定无疑时（比如必然发生的事件），熵值为0；当随机变量所有取值的概率均等时，熵值达到最大。对于离散型随机变量X，其可能的取值为x₁, x₂, …, xₙ，对应的概率分布为P(X=xᵢ) = pᵢ（其中i=1,2,…

*星星之火*
2025-12-20 10:48:38

 1159

 15

#人工智能 #概率论 #机器学习
“全流程赋能 + 真实素材 + AI 硬核实力

宏智树AI是一款全流程学术写作辅助工具，覆盖开题报告、文献综述、论文撰写、查重降重到答辩准备全场景。其核心优势在于提供真实权威的文献、数据、图表等素材，支持多学科个性化需求，并采用前沿AI技术实现高效智能辅助。该工具旨在帮助高校学生和科研工作者提升学术写作效率与质量，官网为www.hzsxueshu.com。

宏智树AI
2025-12-18 15:04:37

 1080

 17

#人工智能 #AIGC #概率论 +1
【无标题】

（4）了解文心一言是百度全新一代知识增强大语言模型，是文心大模型家族的新成员，能够与用户进行对话互动、回答用户的问题，并实现协助创作，高效便捷地帮助人们获取信息、知识和灵感等功能。再看十分位，9.9 的十分位是 9，9.11 的十分位是 1，9>1，因此 9.9 更大。在我们当前的对话中，你提出的问题主要围绕本次大语言模型实验，其中明确的历史类问题有 1 个（关于五代十国）。比较方法：整数部分相同

 pycbby
2025-12-15 19:24:42

 1028

 19

#numpy #开发语言 #概率论 +2
写论文软件终极对决！虎贲等考 AI 靠这几招硬核功能，直接碾压全场！

【论文AI工具终极测评：虎贲等考AI碾压式胜出】经过对8款主流论文AI工具的严格测评，虎贲等考AI凭借四大核心优势脱颖而出：文献真实性保障：直连8000+权威数据库，自动核验文献真实性，支持15种格式一键转换数据溯源能力：强制绑定原始数据生成图表，自动标注数据来源和统计方法全流程覆盖：从选题到定稿一站式完成，支持75个学科术语优化合规性保障：实时检测AI痕迹，自动生成使用声明，规避学术风

 虎贲等考教育
2025-12-15 16:51:50

 903

 20

#人工智能 #机器学习 #信息可视化 +4
sklearn函数总结九— 朴素贝叶斯

在学习朴素贝叶斯之前，我们必须要先掌握贝叶斯公式：这个公式乍一看，你肯定很懵逼，不过不用怕，我们来解释和分解下，你就懂了。朴素贝叶斯（Naive Bayes）算法是一种基于贝叶斯定理的分类方法，广泛应用于文本分类（如垃圾邮件识别、情感分析等）和其他机器学习领域。特征与特征之间条件相互独立，即在给定类别的条件下，特征之间没有任何关系或依赖。公式数学推导略。

Jerryhut
2025-12-14 14:19:10

 930

 13

#sklearn #概率论 #机器学习 +1
运气也能计算？贝叶斯公式与概率基础，打开 AI 统计学的大门

本文介绍了概率基础、条件概率和贝叶斯定理的核心概念。通过生活案例和Python代码演示，讲解了概率的基本规则（范围0-1、互斥事件相加、独立事件相乘）和条件概率的计算方法。重点剖析了贝叶斯定理及其反直觉特性，通过医疗诊断案例说明基础概率对结果判断的关键影响（95%准确率的测试在1%患病率下阳性准确率仅16%）。最后介绍了朴素贝叶斯分类器的简单实现，展示了贝叶斯思想在垃圾邮件过滤等AI领域的应用价值

 lifeidroid
2025-12-09 19:43:15

 1625

 22

#人工智能 #AI #概率论
第3篇：概率论就是算可能性——猜硬币的故事

概率论是研究随机事件可能性的数学分支。本文通过抛硬币、掷骰子等生活实例，介绍了概率的基本概念（0-1取值、期望值）和常见分布（正态分布、伯努利分布）。重点讲解了条件概率和贝叶斯定理的应用，如疾病检测准确率的计算。最后说明概率论对机器学习的重要性，使AI能够量化不确定性并做出概率性预测。文章包含Python代码演示和练习题，为后续学习线性回归奠定基础。

fearhacker
2025-12-01 21:54:20

 1117

 8

#概率论
贝叶斯是什么

贝叶斯” 的核心不是复杂公式，而是 **“用新证据更新信念” 的思维方式 **—— 它允许我们带着初始认知（先验），通过不断接收新信息（数据），逐步逼近真相（后验）。从 18 世纪的牧师思考，到如今成为 AI 的基础，贝叶斯方法的本质是帮我们在 “不确定的世界里，做更靠谱的决策”。

ZPC8210
2025-11-07 15:56:17

 1222

 10

#概率论 #机器学习 #人工智能
ai模型概念

生成模型的演进，本质上是对如何表征和优化复杂数据分布这一统计学问题的不断探索。VAE通过变分推断和ELBO提供了一个稳固的贝叶斯框架，但存在近似误差。GAN绕过了显式的密度估计，通过博弈论直接学习从简单分布到数据分布的变换，但训练不稳定。流模型通过精确的变量变换实现了似然的精确计算，但要求变换可逆且雅可比行列式易算，结构设计复杂。扩散模型通过一个固定的马尔可夫链过程将数据逐步扰动为噪声，再学习逆过

 zsy123666667
2025-11-07 09:51:08

 768

 25

#概率论
CS 自学指南：北大学生整理的计算机课程指南

《北大学生整理的计算机自学指南GitHub收藏超6万》摘要： cs-self-learning 是由北大学生整理的开源计算机自学项目，收录MIT、斯坦福等全球顶尖高校课程资源，GitHub收藏量达68.6k。该项目提供2-3年系统学习路径，包含编程基础、核心课程和AI等7个专业方向，每门课均配备视频、编程项目和自动评测。特色包括：严格筛选课程质量、清晰学习路径、实战项目经验（如写解释器、实现分布式

 云栈开源日记
2025-11-06 14:38:36

 1144

 15

#改行学it #学习方法 #leetcode +4
05.大模型提示工程指南

提示工程（Prompt Engineering）是与大语言模型交互的关键技术，通过优化指令设计提升模型输出质量。文章提出五大核心原则：1）提供清晰指令（详细描述、角色扮演、分隔符使用等技巧）；2）基于参考文本作答减少幻觉；3）复杂任务拆解为子任务（意图识别、长文本处理）；4）给予模型思考时间（链式推理）；5）借助外部工具（动态知识库、代码执行）。这些方法能显著提升模型在专业领域、复杂计算和实时信息

 阿白12345
2025-11-05 11:40:44

 849

 20

#概率论 #人工智能
描述性统计 vs 推断性统计：观察与判断的区别

描述性统计和推断性统计是数据分析的两大分支，前者通过均值、图表等工具呈现数据现状（如销售趋势），后者则利用概率方法（如假设检验、回归分析）从样本推断总体或预测未来。核心区别在于“观察现象”与“判断规律”。实践中需先进行描述性分析（如清理异常值），再开展推断性分析（如验证假设），避免混淆相关性因果或忽略不确定性。两者协同作用，从BI报表到AI预测，实现从“看清数据”到“洞察规律”的进阶。

我要学习别拦我～
2025-10-24 21:24:23

 1155

 19

#概率论 #经验分享
主宰 TCP AIMD 的中心极限定理

我们的社会，城市，甚至自然界生态系统均是与 TCP/IP 互联网一样的随机的复杂自适应系统，这类系统的特点是去中心化，资源共享，分布式哑控制，没有任何措施规范个体的行为，全凭个体自主探测和适应，尽力而为，我们惊奇地发现，这类系统几乎运行得都非常和谐良好，其中的动力学正如 AIMD。，他用排队论首先证明了统计复用是可行的，奠定了互联网的统计学理论基础，在他之前，虽然人们设想了很多不同拓扑的组网方式，

dog250
2025-09-13 07:06:05

 1.3w

 17

#tcp/ip #概率论 #网络协议
对数似然比(LLR)

假设a[i]=aI[i]+jaQ[i]a[i]=a_{I}[i]+ja_{Q}[i]a[i]=aI[i]+jaQ[i]表示调制发送QAM复信号，数据{bI,1,...,bI,k,...,bI,m,bQ,1,...,bQ,k,...,bQ,m}\{b_{I,1},...,b_{I,k},...,b_{I,m},b_{Q,1},...,b_{Q,k},...,b_{Q,m}\}{bI,1,...

池塘的蜗牛
2025-09-03 18:55:24

 1205

 24

#算法 #概率论 #机器学习
超全面讲透，贝叶斯检验！！

本文系统介绍了贝叶斯检验的原理与应用。首先阐述了贝叶斯检验的核心思想：通过先验概率和新数据更新假设的可信度（后验概率），区别于传统p值检验。详细推导了贝叶斯定理公式，说明了假设检验五步骤：定义假设空间、设定先验概率、计算似然函数和边际似然、求后验概率。通过药物效果对比案例，演示了使用PyMC3建立贝叶斯模型、MCMC采样、后验分析及贝叶斯因子计算的全流程。最后指出贝叶斯方法的优势在于能融合先验知识

 GUPAOAI
2025-08-29 18:57:33

 1017

 21

#概率论 #机器学习 #人工智能 +4
一文读懂朴素贝叶斯：从原理到应用，小白也能上手的经典算法

比如 “判断一封邮件是否为垃圾邮件（事件 A）”，需要考虑的条件可能有：是否包含 “中奖”（B1）、是否包含 “转账”（B2）、发件人是否陌生（B3）等多个特征（B1,B2,B3...Bn）。这个假设就是它 “朴素”（Naive）的由来 —— 现实中特征往往不是完全独立的（比如 “中奖” 和 “转账” 确实高度相关），但这个简化假设能极大降低计算难度，同时在多数场景下（尤其是文本分类）依然能给出不

 incidite
2025-08-25 19:37:03

 1242

 15

#算法 #概率论 #机器学习
强化学习中的重要性采样：跨分布复用样本的核心技术

重要性采样是强化学习中 “跨分布复用样本、实现高效异策略训练” 的核心技术。它通过 “权重修正” 突破 “同策略必须自采样” 的限制，让旧策略 / 示范策略的样本能服务于新策略的训练。尽管存在 “分布差异过大导致方差爆炸” 的挑战，但结合 “权重简化假设、优势函数、截断 / 归一化技巧”，能在实际中有效支持策略更新，是高效强化学习算法（如 PPO、离线强化学习）的关键基石之一。（注：文档内容由人

 安意诚Matrix
2025-08-22 00:00:00

 861

 11

#算法 #概率论 #机器学习
老码农和你一起学AI：数学基础知识系列-连续分布

本文介绍了三种重要的连续概率分布：高斯分布、指数分布和Beta分布。高斯分布（正态分布）呈现对称钟形曲线，描述自然界中多种因素共同作用的现象，具有3σ法则和中心极限定理特性。指数分布用于描述事件时间间隔，具有无记忆性，适用于可靠性工程和排队论。Beta分布在[0,1]区间内灵活变化，能表达概率的不确定性，是贝叶斯统计中的共轭先验。这三种分布各具特点，共同构成了描述连续随机现象的核心工具。

chilavert318
2025-08-11 08:02:01

 1203

 24

#概率论 #人工智能
老码农和你一起学AI：数学基础知识系列-离散分布

介绍了三种基础离散概率分布及其应用。伯努利分布描述单次二值试验（如抛硬币），二项分布扩展为多次独立试验的成功次数（如产品抽检），泊松分布则用于单位时间/空间的稀有事件计数（如网站访问量）。三者从简单到复杂递进：伯努利是二项分布的特例，泊松是二项分布在大量低概率事件下的近似。这些分布在AI、工程和生活中广泛应用，如预测服务器负载、质量控制等，将随机现象转化为可计算的概率模型。理解这些分布有助于把握数

 chilavert318
2025-08-10 10:24:28

 1006

 22

#概率论 #人工智能
老码农和你一起学AI：数学基础知识系列-共轭先验

共轭先验是概率论中连接先验分布与后验分布的关键概念，通过数学结构的完美匹配（如Beta-二项分布、Gamma-Poisson组合）实现高效概率推断。其核心价值在于将复杂计算简化为参数更新（如α+成功数，β+失败数），大幅降低AI系统处理实时数据的计算成本。这种机制既体现了"新信息调整置信度而非颠覆框架"的生活智慧，又为贝叶斯网络、主题模型等AI算法提供了可解释性支撑，成为平衡计

 chilavert318
2025-08-08 08:25:46

 1007

 25

#概率论 #人工智能
概率论与数理统计专业大学四年规划指南

从金融风控到医疗试验，从用户行为分析到AI算法优化，几乎所有需要数据驱动的领域，都离不开统计思维。：某985高校学生，大三考取CDA Level II，实习期间用蒙特卡洛模拟优化银行信贷模型，最终拿到某券商量化岗Offer，年薪35万。概率论与数理统计的魅力，在于它既是“科学研究的基石”，也是“商业决策的指南针”。：跨专业转行的她，凭借CDA证书和电商用户分析项目，从传统零售岗转型为互联网数据分析

 laowangsz123
2025-08-07 16:40:25

 164

#概率论
老码农和你一起学AI：数学基础知识系列-概率论核心

概率论是研究不确定性的数学工具，广泛应用于天气预报、金融风险评估和人工智能等领域。文章深入浅出地解析了条件概率、独立性、随机变量及概率分布等核心概念。条件概率描述了事件间的依赖关系，通过链式法则和全概率公式可处理复杂问题；独立性简化了概率计算。随机变量将随机现象数值化，分为离散型和连续型，各有对应的概率描述方法。理解这些概念有助于从数据中识别规律，为决策提供科学依据。概率思维不仅应用于科学研究，也

 chilavert318
2025-08-06 12:53:13

 1065

 22

#概率论 #生活
机器学习相关知识点--朴素贝叶斯,贝叶斯网络,半朴素贝叶斯

github机器学习总结一线性回归线性回归是什么是一种预测模型，利用各个特征的数值去预测目标值。线性回归的主要思想是给每一个特征分配一个权值，最终的预测结果是每个特征值与权值的乘机之和再加上偏置。所以训练的目标是找到各个特征的最佳权值和偏置，使得误差最小。线性回归的假设前提是噪声符合正态分布。线性回归也可以做分类，但是效果不好。线性回归的五大假设https://blog.csdn.net/Noo

zhurui_xiaozhuzaizai
2021-02-19 15:30:03

 2489

 1

#机器学习 #网络 #人工智能 +1
了解一下数据分布

源自一个心血来潮质问自己的探索：数据分布是什么？怎么确定你的数据是哪种分布类型？人工智能研究的数据，大多数是哪种类型的分布？为什么？虽然高斯分布在AI中无处不在且地位核心（尤其在基础建模和噪声处理），但AI研究者必须清醒地认识到非高斯分布（尤其是幂律分布和类别分布）的普遍存在，并选择或设计合适的模型（如处理类别数据的Softmax、处理计数数据的泊松回归、处理长尾数据的特定采样或损失函数）来应对。

星巴克好丽友蒙小牛
2025-08-01 12:48:11

 1835

 57

#人工智能 #数据挖掘 #数据分析 +1
CERN ROOT RooFit

使用定义好的pdf肯定是简单的，RooFit中已经给出很多常用的函数。但在一些情况下，我们需要把一个已知函数转化为pdf，RooFit使得这个过程十分简单。c1->Draw();很明显，RooFit给我们返回了一个归一化的pdf。

福舍
2023-05-12 14:41:17

 1105

 3

#c++#数据分析 #最小二乘法 +2
拉格朗日插值基函数求和归一的分析

NOTE] 拉格朗日插值基函数拉格朗日插值基函数（Basis Function）是构造拉格朗日插值多项式的核心工具，是为每个插值节点单独构造的函数，记为LixL_i(x)Lix总的而言，拉格朗日插值基函数求和归一的性质，也可以说是其合理性的部分体现。

要是能重新来过
2025-05-07 13:31:42

 1661

 18

#概率论 #线性代数
条件概率与似然函数

概率密度与似然函数@TOC概率密度函数(PDF: Probability Density Function)与似然函数（LF: Likelihood Function）澄清概率密度函数（pdf）与似然函数（LF）的关系。参数估计中经常用到最大似然估计（Maximum Likelihood Estimation），其表达形式上与概率密度函数相同，但实际意义有所区别。

dullenx
2021-12-14 10:24:54

 3265

 3

#概率论 #机器学习 #算法
优势比和最大似然

1. 优势比 odds ratio1.1 什么是优势比优势比(odds ratio；OR)是一种描述概率的方式，用于反映分类变量之间的相关性。优势：设定p为事件发生的概率，则发生的优势为，odds= p/1-p。优势比：p1为事件1发生的概率，p2为事件2发生的可能/概率，优势比为odds ratio= (p1/(1-p1)) /(p2/(1-p2))可以理解为事件1发生的概率相较于事件2发生概率

 紫色蜘蛛爬啊爬
2024-01-25 10:03:37

 2612

 25

#概率论 #算法 #机器学习 +1
利用贝叶斯算法对简单应用实现预测分类

假设有n个属性和m个类别，那么每个属性在每个类别中的条件概率可以表示为一个n*m的矩阵P，其中P(i,j)表示第i个属性在第j个类别中的条件概率。通常，事件A在事件B已发生的条件下发生的概率，与事件B在事件A已发生的条件下发生的概率是不一样的。它的基本思想是：对于给定的数据集，计算每个类别的先验概率，然后计算每个属性在每个类别中的条件概率，最后根据贝叶斯公式计算后验概率，选择概率最大的类别作为预测

 ZShiJ
2024-02-07 09:00:00

 1813

 10

#算法 #分类 #概率论
【概率论与数理统计】1.4 条件概率

文章目录1.4.1 条件概率的定义1.4.2 乘法公式1.4.3 全概率公式1.4.4 贝叶斯公式1.4.1 条件概率的定义所谓条件概率，是指在某事件B发生的条件下，另一事件A发生的概率，记为P(A∣B){\rm{P(A|B)}}P(A∣B)，它与P(A){\rm{P(A)}}P(A)是不同的两类概率。设AAA与BBB是样本空间Ω\OmegaΩ中的两事件，若P(B)>0{\rm{P(B)

小天才才
2022-04-19 22:13:42

 2977

 9

#概率论
深入分析星期日女孩问题：李叔叔有两个小孩，至少有一个小孩是在星期日出生的女孩，两个小孩都是女孩的概率是多少？

比较如下几个问题，求出结果，并谈谈你的见解。a)李叔叔有两个孩子，两个孩子都是女孩的概率是多少？b)李叔叔有两个孩子，其中一个是女孩，两个孩子都是女孩的概率是多少？c)李叔叔有两个孩子，至少有一个孩子是在星期日出生的女孩，两个孩子都是女孩的概率是多少？

百把人
2022-03-15 22:44:15

 1889

 2

#概率论
【算法】斐波那契数列通项公式

斐波那契数列

 如雨随行2020
2022-12-14 01:28:02

 3002

 1

#算法 #概率论
近端策略优化（PPO）总结

PPO 通过结合策略梯度的高效性和约束更新的稳定性，成为强化学习中的主流算法之一。

豆芽819
2025-04-25 00:21:46

 1771

 31

#人工智能 #机器学习 #数学 +1
ADF 单位根检验 Dickey-Fuller 迪基-福勒检验

名词解释:Dickey-Fuller迪基-福勒检验, 单位根检验, 如果存在时序数据中存在单位根, 则表明是非平稳序列ADF检验增广迪基-福勒检验排除了自相关的影响为什么需要检验:单位根检验师时序序列分析的一个热点问题, 大部分时序模型都要求输入数据具有稳定性, 因此要先检测数据是否稳定.如果数据本身是不稳定的, 要对数据做差分变化等操作消除单位根, 此时目标值已经没有了实际含义, 但是满足模型需

 Y_hero
2021-02-04 12:27:53

 8136

#概率论 #数据挖掘 #机器学习
相关性分析

相关性分析1、方差分析1.1、相关术语：1.2、方差分析基本假定：1.3、原理：1.4、实例：1.4.1、解题第一步：提出假设1.4.2、解题第二步：构造检验统计量1.4.3、解题第三步：统计决策1.4.4、解题第四步：关系强度测量2、相关与回归分析2.1、相关分析2.1.1 、散点图2.1.2、相关系数2.1.3、显著性校验2.1.3.1、提出假设：2.1.3.2、计算统计量：2.1.3.3、进

 佐佑思维
2020-12-20 14:13:02

 2.1w

 48

#python #算法 #概率论
方差、协方差、协方差矩阵以及互相关矩阵

文章目录1.方差和协方差二、使用步骤1.引入库2.读入数据总结1.方差和协方差提示：以下是本篇文章正文内容，下面案例可供参考#2.协方差矩阵示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下（示例）：import numpy as npimport pandas as pdimport matplotlib.pyplot as p

qq_41030344
2020-12-02 16:32:13

 7459

 4

#概率论 #矩阵
数学建模-线性回归

多元线性回归回归分析：通过研究自变量X和因变量Y的相关关系，尝试去解释Y的形成机制，进而达到通过X去预测Y的目的。本次主要学习线性回归。（划分依据是因变量Y的类型）ps. 其他： 0-1回归，定序回归，计数回归，生存回归（一）基本概念关键词关键词：相关性，Y，X相关性 != 因果性Y 是需要研究的核心变量（因变量）X是解释变量（自变量）回归分析的作用分析哪些X变量是同Y真的相关，哪些不是（变量

 chen_ ：)
2022-05-30 23:10:50

 6576

#线性回归 #概率论
参数估计-矩估计

参数估计：分布类型有很多种，决定正态分布的两个参数：均值和方差。因此，参数就是决定分布的关键性数据。知道了参数，也就知道了分布的详细内容。问题来了，总体的分布类别如果我们知道了，是不是只要知道分布的参数，就能知道总体的分布详情？是的。那如何能知道总体分布的参数数值呢？这就是参数估计。即，用样本的数据来构造函数（即统计量），来估计总体参数，这就是参数估计。矩估计：用样本的矩直接作为总体矩的估计值。（

XueDaxuan
2022-02-25 14:27:20

 6748

 2

#概率论 #机器学习 #深度学习

加载更多

回到
顶部

提供社区服务与技术支持

提供社区服务与技术支持

©1999-2023北京创新乐知网络技术有限公司京ICP备19004658号