07 主题模型 - 知识补充 - 概率知识、二项\多项\Beta

作者: 白尔摩斯 | 来源:发表于2018-12-25 12:33 被阅读133次

06 主题模型 - pLSA又称pLSI - 基于概率的潜在语义分析模型

为了讲后续的LDA算法，需要补充一点数学知识。大纲如下：

概率知识
二项分布
多项分布
Beta分布
Beta分布和二项分布
Dirichlet分布

一、概率知识

先验概率： 在事情尚未发生前，对该事件发生概率的估计。利用过去历史资料计算出来得到的先验概率叫做客观先验概率；凭主观经验来判断而得到的先验概率叫做主观先验概率。

后验概率： 通过调查或其它方式获取新的附加信息，利用贝叶斯公式对先验概率进行修正后，而得到的概率。

似然函数： 给定模型参数θ的条件下，样本数据服从这一概率模型的相似程度。

先验分布：反映在进行统计试验之前根据其他有关参数知识得到的分布；也就是说在观测获取样本之前，人们对θ已经有一些知识，此时这个θ的分布函数为H(θ)，θ的密度函数为h(θ)，分别称为先验分布函数和先验密度函数，统称先验分布。

后验分布：根据样本X的分布以及θ的先验分布π(θ)，使用概率论中求解条件概率的方式可以计算出来已知X的条件下，θ的条件分布π(θ|x)。因为该分布是在获取样本x之后计算出来的，所以称为后验分布。
后验分布 = 历史数据(先验概率) + 样本(似然函数)

共轭分布：如果先验分布和后验分布具有相同的形式，那么先验分布和似然函数被称为共轭分布。
如：先验分布是一个正太分布，加上似然函数后形成的后验分布也是一个正太分布，那么先验分布和似然函数称为共轭分布。

分析: 也许读者会困惑先验分布和后验分布到底是个什么意思？这里我举个栗子。
假如现在有一个硬币，我刚拿到硬币的时候心里有个数：抛硬币正面反面的概率都是50%，这是我根据以往经验得到的一个先验分布。
现在我开始抛硬币，我抛硬币的过程就是在获取样本X的过程，X= {正面，反面，反面，反面，正面....} ；如果我扔了10次硬币，正面7次反面3次。这是似然函数得到的结果。
现在预测是正面的概率：先验分布=0.5，似然函数预测的概率=0.7。
两个分布相加后的结果：12/20 就是后验分布预测下次是正面的概率。

二、二项分布

二项分布是从伯努利分布推导过来的。伯努利分布，又称两点分布或0-1分布，是一个离散型的随机分布，其中的随机变量只有两类取值，非正即负{+，-}。

而二项分布即重复n次的伯努利试验，记为 X ~ b(n,p)；

简言之，只做一次实验，是伯努利分布，重复做了n次，是二项分布。

期望E(x) = np 方差 D(x) = np(1-p)

拿抛硬币举例子，正面概率p，反面概率1-0。我抛了n次。
p^k(1-p)^n-k 表示其中p的概率取到了k次，1-p的概率取到了n-k次。即意味着k次正面，n-k次反面。

下面的公式即Cn^k，比如一共抽了10次，其中k次出现正面的情况。

例子: 做了若干次的抛100回硬币的实验，若正的情况记为1，负的情况记为0，结果如图所示，发现正面的概率是0.9。
其中12%的实验结果证明抛100次后是正面的次数正好是90。而在坐标轴的左右两侧，有趋向于0的概率发现抛100次硬币是正面的结果分别为75和100%。

如果抛无数轮，每轮抛100次硬币，最后是正面朝上的均值是多少呢？
np = 100×0.9 = 90；
图中最高的那个点对应的是众数，众数对应的横坐标就是我们的期望，可以看到期望几乎就等于90。

三、多项分布

多项分布(Multinomial Distribution)是二项分布的推广。

多项分布是指单次试验中的随机变量的取值不再是0/1的，而是有多种离散值可能（1,2,3...,k）。比如投掷6个面的骰子实验，N次实验结果服从K=6的多项分布。其中K个离散值的概率为：

四、Beta分布

Beta分布是二项分布的共轭分布，是指一组定义在(0,1)区间的连续概率分布，具有两个参数：α,β>0;

$\color{red}{PS：下面比较绕，好好理解。}$
共轭分布： 如果先验分布和后验分布具有相同的形式，那么先验分布和似然函数被称为共轭分布。
这里我们认为当Beta分布作为先验分布，二项分布作为条件分布(似然函数)，最终得到的后验分布的分布和Beta分布的分布形式相同。
$\color{red}{即，Beta分布作为其后验分布的分布形式。}$