《计算机视觉：模型、学习和推理》一3.3分类分布
3.3分类分布 图3-3 分类分布是有K个可能结果的离散分布，x∈｛1,2,…,K}和K个参数λ1,λ2,…,λK满足λK≥0,∑kλK=1。每一个参数代表结果的一个可能值，当可能结果K的数量为2的时候，分类分布就是伯努利分布分类分布（见图3-3）是一个离散分布，它观察k个可能结果的概率。因此，当仅...
《计算机视觉：模型、学习和推理》一3.8 正态逆维希特分布
3.8 正态逆维希特分布 正态逆维希特分布由一个D×1维向量μ和D×D维正定矩阵Σ定义。同样，它可以用来描述多元正态分布中参数的概率分布。正态逆维希特分布有四个参数α，ψ，γ，δ，其中，α,γ是正的标量，δ为D×1维向量，ψ是D×D维正定矩阵其中,ΓD［］是多元伽马函数，Tr［ψ］是矩阵ψ的秩（见...
《计算机视觉：模型、学习和推理》一3.6 正态逆伽马分布
3.6 正态逆伽马分布 正态逆伽马分布（见图3-6）由μ和σ2两个参数定义，其中，前者可取任意值，后者仅取大于零的值。同样，该分布可以定义正态分布中参数方差和均值的分布。正态逆伽马分布有4个参数α、β、γ、δ，其中，前三个参数为正实数，最后一个参数可取任意值。其表达式为：或者简写为：图3-6 正态逆...
《计算机视觉：模型、学习和推理》一3.4 狄利克雷分布
3.4 狄利克雷分布 狄利克雷分布（见图3-4）定义在K个连续值λ1，…，λK上，其中λk∈［0,1］，因此狄利克雷分布适合于定义分类分布中参数的分布。在K维空间中，狄利克雷分布有K个参数α1,…,αK，每个参数都取正值，参数的相对值决定期望值E［λ1］,…,E［λk］。参数的绝对值决定期望值两侧的...
《计算机视觉：模型、学习和推理》一3.2 贝塔分布
3.2 贝塔分布 贝塔分布（图3-2）是由单变量λ定义的连续分布，这里λ=[0,1]。因此，它适合表示伯努利分布中参数λ的不确定性。如图3-2所示，贝塔分布有两个参数(α,β)∈［0，∞］，两个参数均取正值并且都影响曲线的形状。在数学上，贝塔分布的形式如下：其中,Γ［］是伽马函数，简言之，它缩写为...
《计算机视觉：模型、学习和推理》一第3章 常用概率分布
第3章 常用概率分布 第2章介绍了概率运算的抽象规则。为了使用这些规则，还需要定义若干概率分布。概率分布Pr（x）的选择取决于建模数据x的定义域（见表3-1）。概率分布对视觉数据的建模显然是有用的，例如分类分布和正态分布。然而，其他分布往往并非如此，例如，狄利克雷分布存在总和为1的K个正数，视觉数据...
《计算机视觉：模型、学习和推理》一3.1 伯努利分布
3.1 伯努利分布 伯努利分布（见图3-1）是二项试验的一个离散分布模型：它描述的情况只可能有两种结果x∈{0,1}，这称为“失败”和“成功”。在计算机视觉中，伯努利分布可以用于模拟数据。例如，它可以描述一个像素所取的灰度值大于或小于128的概率。另外，它也可以用来模拟现实世界的状态。例如，它能够描...
《计算机视觉：模型、学习和推理》——3.8 正态逆维希特分布
本节书摘来自华章计算机《计算机视觉：模型、学习和推理》一书中的第3章，第3.8节,作者：（英）普林斯（Prince，J. D.）著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。 3.8 正态逆维希特分布 正态逆维希特分布由一个D×1维向量μ和D×D维正定矩阵Σ定义。同样，它可以用来描述多...
《计算机视觉：模型、学习和推理》——3.6 正态逆伽马分布
本节书摘来自华章计算机《计算机视觉：模型、学习和推理》一书中的第3章，第3.6节,作者：（英）普林斯（Prince，J. D.）著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。 3.6 正态逆伽马分布 正态逆伽马分布（见图3-6）由μ和σ2两个参数定义，其中，前者可取任意值，后者仅取大于...
《计算机视觉：模型、学习和推理》——3.4 狄利克雷分布
本节书摘来自华章计算机《计算机视觉：模型、学习和推理》一书中的第3章，第3.4节,作者：（英）普林斯（Prince，J. D.）著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。 3.4 狄利克雷分布 狄利克雷分布（见图3-4）定义在K个连续值λ1，…，λK上，其中λk∈［0,1］，∑Kk...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
