前言

本篇内容主要来自极客时间里的《程序员的数学基础课》，本来去年就买的课一直懒得看，赶上这次疫情才老老实实翻出来看看。看完瞬间觉得自己基础好差，尤其到后面的线性代数相关的直接就看不懂了。目前唯一有点感觉的也就是概率这一部分，配合《程序员的数学：概率统计》，这里简单记录一下，也算是学习笔记了吧。

基本概念

我们用随机变量（Random Variable）来描述事件所有可能出现的状态，并使用概率分布（Probability Distribution）来描述每个状态出现的可能性。而随机变量又可以分为离散型随机变量（Discrete Random Variable）和连续型随机变量（Continuous Random Variable）。

概率分布

假设我们使用一个随机变量 x 来表示新闻类型，如果在 100 篇新闻中，有 60 篇是娱乐新闻，有 20 篇是科技新闻，有 20 篇是体育新闻，那么你看到娱乐新闻的概率就是 60%，看到科技新闻的概率就是 20%，看到体育新闻的概率就是 20%。而这三组数据就可以构成变量 x 的概率分布P(x)。

以抛硬币为例，我们抛的次数越多，正反面的次数就越接近。也就是说，统计的采样次数越多，越趋近于我们理论上的情况。因此，从这个统计实验我们可以看出，概率分布描述的其实就是随机变量的概率规律。

伯努利分布（Bernoulli Distribution）

或者写作： 其中x只能为0或1

抛硬币就属于伯努利分布。别被名字唬到，伯努利分布是较为简单的一种分布，应用于两种实验结果。要么成功，要么失败，一定程度上是二元的性质。

分类分布（Categorical Distribution） 或 Multinoulli 分布

当k=2 的时候就变成了伯努利分布，他们两个都数据离散型分布。从计算的角度来说，我们可以直接求和得出的，就是“离散的”，需要用积分计算的，就是“连续的”。

正态分布 也叫 高斯分布（这个概念对于本篇文章没啥用，纯粹为了练习用markdown写数学公式）

比较经典的连续分布有正态分布、均匀分布、指数分布、拉普拉斯分布等等。如果你只需要掌握一个的话，那肯定是正态分布。

神说，要有正态分布，于是就有了正态分布。
如果你也和我一样，看不懂公式了，这里简单记录一下，帮你回忆回忆。
（exp 高等数学里指以自然常数e为底的指数函数。）
是均值，是标准差
如果你说标准差我也忘了，简单来说标准差就是一组数值，自平均值分散开来的程度的一种测量观念。

正态分布

多个变量之间的关系

联合概率

由多个随机变量决定的概率我们就叫联合概率，它的概率分布就是联合概率分布。随机变量 x 和 y 的联合概率使用 P(x, y) 表示。联合分布中，联合概率之和为1。

边缘概率

对于连续型随机变量，我们可以通过联合概率 P(x, y) 在 y 上的积分，推导出概率 P(x)。这个时候，我们称 P(x) 为边缘概率。

联合概率与边缘概率的关系如下：

这里的求和符号表示穷举Y可取的值b后，有所有这些值对应的概率的和

来举个例子理解一下上面的概念。

image.png

答案如下：这个比较好理解

image.png

代入上面的公式，

image.png

注意：如果只知道边缘分布，无法反推联合分布

条件概率

条件概率也是由多个随机变量决定，但是和联合概率不同的是，它计算了给定某个（或多个）随机变量的情况下，另一个（或多个）随机变量出现的概率，其概率分布叫做条件概率分布。给定随机变量 x的前提下，随机变量 y 的条件概率使用 P(y | x) 表示。

条件概率的通用定义：

还是上面扑克牌的例子，请问在X=红色的前提下，Y=数字牌的概率是多少？答案：1/3。这个应该好理解吧。
用条件概率表示如下。

image.png

如果你也听说过“三门问题”的话，可以用条件概率来计算一下结果。条件变成了三个，稍微复杂了一些，这里就不进一步记录了。

练习一下

我们再举一个例子来巩固一下上面的知识。

某家长一直在操心儿子的教育问题，所以一直在研究他班级的成绩单。为了弄清儿子在班级上的成绩排名，向老师要了张全班成绩的分布表。

image.png

男生的概率是 P(男生)=10/20=50%
90 分及以上的学生的概率是 P(90-100)=4/20=20%
那全班考了 90 分以上的男生的概率是多少呢？（联合概率）也就是 P(男生, 90-100)=2/20=10%。
在男生中，考 90 分及以上的概率是多少？（条件概率）P(90-100|男生)= 2/10=20%。

• |男, 90-100|表示考了 90 分以上的男生人数；
• |男|表示男生人数；
• |全班|表示全班人数。
  已知 P(90-100 | 男生) = |男生, 90-100| / |男生|，P(男) = |男生| / |全班|
  则p(90-100 | 男生)✖️P(男) = P(男生, 90-100)

下面我们假设这样一种场景，想知道男生考了 90～100 分的概率有多少，来评估一下儿子在男生中算什么水平。可是老师出于隐私保护，并没有把全班数据的分布告诉我，她说道“我可以告诉你全班考 90～100 分的概率，以及 90～100 分中男生的概率。
也就是已知P(男生)、P(90-100)和P(男生|90-100)，求 P(90-100|男生)

由之前的条件概率通用公式，我们可以得到

也就是

这样我们就能求得结果了，这个公式也就是贝叶斯公式
贝叶斯的应用场景，简单说就是充分利用统计和先验，转化为预测。

朴素贝叶斯分类

现在有三个水果，苹果，甜橙和西瓜，请问这三个水果摆在你面前，你要如何区分它们？可能有大小，颜色等等

image.png

那么请问你要如何让计算机来认识这三种水果呢？

image.png
当然了，仅仅只有三种水果的数据还是太少了，我们可以把样本量扩充。基于我们前面提到的贝叶斯定理，我们首先计算出各种水果特征的概率。对于上表中出现的 0.00 概率，在做贝叶斯公式中的乘积计算时，会出现结果为 0 的情况，因此我们通常取一个比这个数据集里最小统计概率还要小的极小值，来代替“零概率”。这里我们取0.01
image.png
假定数据对象的不同属性对其归类影响时是相互独立的。现在我们手上有一个水果，它是圆形，口感是甜的。
image.png
同理可得，甜橙的概率是0.269 ，西瓜的概率是0.007。所以从概率上来说这个水果应该甜橙。

所以什么是朴素贝叶斯分类，简单总结一下就是：

• 准备数据：针对水果分类这个案例，我们收集了若干水果的实例，并从水果的常见属性入手，将其转化为计算机所能理解的数据。这种数据也被称为训练样本。
• 建立模型：通过手头上水果的实例，我们让计算机统计每种水果、属性出现的先验概率，以及在某个水果分类下某种属性出现的条件概率。这个过程也被称为基于样本的训练。
• 分类新数据：对于一颗新水果的属性数据，计算机根据已经建立的模型进行推导计算，得到该水果属于每个分类的概率，实现了分类的目的。这个过程也被称为预测。

之所以名字中带有“朴素”，因为前提是各种变量是相互独立的，同时也只能处理离散型分布。

关于朴素贝叶斯分类，这里推荐下面这个视频，
网易公开课概率推理2 没有耐心的小伙伴可以从24分钟开始。

马尔科夫模型

在讲语言模型之前，我们先来了解两个基本概念：链式法则和马尔科夫假设

链式法则

image.png
推导过程如下
image.png
这个法则有什么用呢？这里可参见
网易公开课概率推理1 没有耐心的小伙伴可以从28分开始看
简单来说，利用条件独立性，可大大减少联合概率的计算量。当然还有其他更厉害的应用，感兴趣的在视频中了解吧。

马尔科夫假设

任何一个词 wi​ 出现的概率只和它前面的 1 个或若干个词有关。基于这个假设，我们可以提出多元文法（Ngram）模型。Ngram 中的“N”很重要，它表示任何一个词出现的概率，只和它前面的 N-1 个词有关。
我以二元文法模型为例，某个单词出现的概率只和它前面的 1 个单词有关。

这有什么用呢？比如我现在想在一个文档中寻找一个特殊的句子，s 表示某个有意义的句子，由一连串按照特定顺序排列的词 w1​，w2​,…,wn​ 组成，这里 n 是句子里单词的数量。
那个这个特殊句子出现的概率是多少呢？

使用链式法则展开后数量级过于庞大，对于计算机计算难度也很高。这时使用二元文法优化后，系统复杂度就可以降到我们能够接受的量级。

举一个使用上述知识的例子，信息检索。
q 表示一个查询，d 表示一篇文档。现在想知道哪个文档更符合用户的查询条件，即求P(d∣q)，根据贝叶斯定理得到如下公式，

image.png

对于同一个查询，其出现概率 P(q) 都是相同的，同一个文档 d 的出现概率 P(d) 也是固定的。所以我们只需要关心求P(q∣d)。根据链式法则，我们可以展开成为

image.png

为了提升效率，我们也使用马尔科夫假设和多元文法。假设是三元文法，那么我们可以写成这样：

image.png

最终，根据每篇文档所获得的 P(d∣q) 这个值，由高到低对所有的文档进行排序。我就实现了信息检索。

那语言模型是不是也可以用于估算其他序列出现的概率呢？答案是肯定的。
前文提到了二元文法、三元文法。对于二元文法来说，某个词出现的概率只和前一个词有关。对应的，在马尔科夫模型中，如果一个状态出现的概率只和前一个状态有关，那么我们称它为一阶马尔科夫模型或者马尔科夫链。

Google 公司最引以为傲的 PageRank 链接分析算法，它的核心思想也和马尔科夫链有关。感兴趣的小伙伴可以去网上查找一些相关知识。

信息熵

有个公众号上有一个做的不错的视频，感兴趣的可以参考一下。
https://mp.weixin.qq.com/s/8_XAK3Drrh7fDMQKdbePXA
这个视频很好的回答了两个问题，
信息是怎么计算的？
为什么信息还有单位？

这里盗用一下里面的思维导图，其中离散分布的位置就是信息熵的计算公式。

image.png

信息熵，我们通常简称为熵，其实就是用来刻画给定集合的纯净度的一个指标。

image.png

那么集合中分组的数量 n 为 1，A 分组的元素在集合中出现的概率为 100%，所以这个集合的熵为 -100%*log(100%, 2) = 0

image.png

那么集合中分组的数量 n 为 2，A 和 B 分组的元素在集合中出现的概率各为 50%，所以这个集合的熵为 2(-50%log(50%, 2)) = 1

从上述两个集合的对比可以看出，一个集合中所包含的分组越多、元素在这些分组里分布得越均匀，熵值也越大。而熵值表示了纯净的程度，或者从相反的角度来说，是混乱的程度。

如果你已经看懂了上面的部分，相信你已经知道单个集合的熵是如何计算的了。那么，如果将一个集合划分成多个更小的集合之后，又该如何根据这些小集合，来计算整体的熵呢？

image.png

其中，T 表示一种划分，Pv​ 表示划分后其中某个小集合，Entropy(Pv​) 表示某个小集合的熵， 而 ∣Pv∣除以|P|​ 表示某个小集合出现的概率。所以这个公式其实就表示，对于多个小集合而言，其整体的熵等于各个小集合之熵的加权平均。而每个小集合的权重是其在整体中出现的概率。

image.png

根据之前单个集合的熵计算，A 和 B 组元素所组成的小集合，它的熵是 1。而 C 组没有和其他组混合，所形成的小集合其熵为 0。在计算前两个小集合的整体熵时，A 组和 B 组形成的集合出现的概率为 2/3​，而 C 组形成的集合出现概率为 1/3​，所有整体熵 =2/3​∗1+1/3​∗0=0.67。

如果我们将划分前后的整体熵做个对比，你会发现划分后的整体熵要小于划分之前的整体熵。

我们将划分后整体熵的下降，称为信息增益（Information Gain）

结语

再向后基本就进入决策树，归一化相关的知识了，我目前的水平应该也就到这里了，后面慢慢努力吧。