4240 字
21 分钟
次浏览
Gamma、Beta 和 Dirichlet 分布怎么理解

0. 成功了几次,成功率又是多少#

抛一枚硬币,如果已经知道正面朝上的概率,可以用二项分布算出:抛 10 次,恰好出现 3 次正面的概率是多少。反过来,如果只知道抛了多少次、出现了多少次正面,又该怎样估计正面朝上的概率?贝叶斯方法可以用 Beta 分布描述这个未知概率。如果结果超过两类,则可以用多项分布描述各类出现的次数,用 Dirichlet 分布描述各类概率。

本文从 Gamma 函数讲起,推导这些分布的密度和后验更新公式,再说明 Gamma、Beta 与 Dirichlet 之间的关系。Gamma 函数用于计算这些密度中的归一化常数。

阅读前需要熟悉指数、阶乘和条件概率,并知道积分可以表示面积。第 1 节的递推证明用到分部积分,首次阅读可先跳过证明,记住 Γ(n)=(n−1)!\Gamma(n)=(n-1)!(nn 为正整数)即可。

对有密度的连续分布,密度曲线下方、某个区间内的面积,就是落入这个区间的概率;单点的密度值本身不是概率。“归一化”就是让整个取值范围内的积分等于 1。理解这一点后,就可以从 Gamma 函数出发,构造下面几种概率密度。

1. Gamma 函数#

  • 定义

这里 tt 是积分变量,α>0\alpha>0 是函数的输入:

Γ(α)=∫0∞tα−1e−t dt.\Gamma(\alpha)=\int_0^\infty t^{\alpha-1}e^{-t}\,dt.

它不是概率分布,而是一个返回正数的函数。对 Γ(α+1)\Gamma(\alpha+1) 分部积分,取 u=tαu=t^\alpha、dv=e−tdtdv=e^{-t}dt;边界项为 0,于是得到 Γ(α+1)=αΓ(α)\Gamma(\alpha+1)=\alpha\Gamma(\alpha)。又因为 Γ(1)=∫0∞e−tdt=1\Gamma(1)=\int_0^\infty e^{-t}dt=1,对正整数 nn 就有 Γ(n)=(n−1)!\Gamma(n)=(n-1)!。例如 Γ(4)=3!=6\Gamma(4)=3!=6。

2. Gamma 分布#

把 Gamma 函数等式两边同时除以 Γ(α)\Gamma(\alpha),得到归一化等式:

1=∫0∞tα−1e−tΓ(α) dt.1=\int_0^\infty\frac{t^{\alpha-1}e^{-t}}{\Gamma(\alpha)}\,dt.

把被积函数作为概率密度,就得到速率为 1 的 Gamma 分布:

fT(t)=tα−1e−tΓ(α),t>0,α>0.f_T(t)=\frac{t^{\alpha-1}e^{-t}}{\Gamma(\alpha)},\qquad t>0,\quad\alpha>0.

要调整这个分布的取值尺度,可以作变量替换 t=βxt=\beta x,其中 β>0\beta>0。积分变量也随之变化,因此需要同时代入 dt=β dxdt=\beta\,dx:

1=∫0∞(βx)α−1e−βxΓ(α)β dx,fX(x)=βαΓ(α)xα−1e−βx,x>0.1=\int_0^\infty\frac{(\beta x)^{\alpha-1}e^{-\beta x}}{\Gamma(\alpha)}\beta\,dx, \qquad f_X(x)=\frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\beta x},\quad x>0.

额外的 β\beta 来自积分宽度的变化,这就是系数为什么是 βα\beta^\alpha,而不是 βα−1\beta^{\alpha-1}。有了这个系数,变换后的密度在整个取值范围上的积分仍然是 1。

其中,α\alpha 称为形状参数(shape parameter),主要决定分布曲线的形状;β\beta 称为速率参数(rate parameter),也叫逆尺度参数(inverse scale parameter),其倒数 1β\frac {1} {\beta} 是尺度参数(scale parameter),控制横轴尺度。形状参数固定时,速率越大,取值越集中在较小的数附近;均值为 α/β\alpha/\beta,方差为 α/β2\alpha/\beta^2。SciPy 的 Gamma 参数约定 使用 scale=1/beta。

Gamma 分布理论密度与随机样本的直方图

先看左侧峰顶,再沿曲线向右看长尾;柱子高低与曲线的贴合程度反映这一次抽样的波动,单根柱子不需要精确落在理论线上。

图中横轴是取值,纵轴是密度;这里形状参数为 α=1.99\alpha=1.99,速率为 β=1\beta=1。红线和黑线是同一个密度,只是 SciPy 的两种调用写法;浅蓝直方图来自 1000 个随机样本。大多数取值落在左侧,右侧拖着长尾。直方图会随抽样波动,理论曲线不会。原图:SciPy Gamma 示例,SciPy Developers,BSD 许可,未改动。

3. 二项分布#

二项分布描述 nn 次独立试验中的成功次数。每次试验只有成功和失败两种结果,成功概率均为 pp。 令 KK 是成功次数,则 P(K=k∣p)=(nk)pk(1−p)n−kP(K=k\mid p)=\binom nkp^k(1-p)^{n-k},k=0,…,nk=0,\ldots,n。其中 (nk)=n!/[k!(n−k)!]\binom nk=n!/[k!(n-k)!] 计算成功位置的选择数。例如三次试验恰好成功两次,有“成功成功失败”等三种顺序,每种概率都是 p2(1−p)p^2(1-p),所以总概率是 3p2(1−p)3p^2(1-p)。

这个公式只在整数 k=0,…,nk=0,\ldots,n 上取非零值,其他取值的概率为 0。

NOTE

固定参数的二项模型中,pp 不必是随机变量。若采用贝叶斯方法描述对未知 pp 的不确定性,可以为它指定先验分布,也就是看数据前对未知参数的分布;后面的 Beta 分布就是一种选择。

4. 用小球位置理解二项分布#

假设所有球的位置都独立地均匀分布在 [0,1][0,1],重合的概率为 0。先向长度为 1 的桌子上扔一个红球,把它的位置记为 x,也就是上面的 p。再扔一个白球,它落在红球左边的概率就是 x(或 p)。如果独立地扔 n 个白球,其中有 k 个落在红球左边,那么给定 x(或 p)时,次数 KK 的条件分布为:

P(K=k∣p)=(nk)pk(1−p)n−k,k=0,…,n.P(K=k\mid p)=\binom nk p^k(1-p)^{n-k},\qquad k=0,\ldots,n.

固定红球位置后,左侧白球的数量服从二项分布。现在红球位置也是随机的,相当于给 pp 指定了 U(0,1)U(0,1) 先验。想求不限定红球位置时的概率,就要把各个位置下的结果按密度加权积分:

P(K=k)=∫01P(K=k∣p)1⏟p 的密度 dp.P(K=k)=\int_0^1 P(K=k\mid p)\underbrace{1}_{p\text{ 的密度}}\,dp.

这里可以直接积分是因为密度为 1,换一个先验就不能省略权重。

这个积分也可以通过小球的排序求出。P(K=k) 表示随机放置 n 个白球和 1 个红球后,红球左边恰好有 k 个白球的概率。这里红球的位置未知。

假设 k=1,相当于把 n+1 个球中的第 2 个涂成红色,左边就有 1 个白球:P=1n+1P = \frac {1} {n+1}

假设 k=2,就把第 3 个球涂成红色,左边有 2 个白球:P=1n+1P = \frac {1} {n+1}

…

所有排序位置等可能,所以对每个 k=0,…,nk=0,\ldots,n,都有:

P(K=k)=(nk)∫01pk(1−p)n−k dp=1n+1.P(K=k)=\binom nk\int_0^1p^k(1-p)^{n-k}\,dp=\frac1{n+1}.

5. Beta 函数#

前面红球的 n+1n+1 个排序位置等可能,因此 P(K=k)=1/(n+1)P(K=k)=1/(n+1)。除以组合数得到 ∫01pk(1−p)n−kdp=k!(n−k)!/(n+1)!\int_0^1p^k(1-p)^{n-k}dp=k!(n-k)!/(n+1)!。

在上式中,令 k=α−1k = \alpha - 1、n−k=β−1n - k = \beta - 1,则 n=α+β−2n = \alpha + \beta - 2。把积分变量换为 tt,在正整数参数下得到:

∫01tα−1(1−t)β−1 dt=(α−1)!(β−1)!(α+β−1)!.\int_0^1t^{\alpha-1}(1-t)^{\beta-1}\,dt =\frac{(\alpha-1)!(\beta-1)!}{(\alpha+\beta-1)!}.
  • 定义 BetaBeta 函数

前面用小球计数,只能推导出参数为正整数的情况。对任意实数 α,β>0\alpha,\beta>0,Beta 函数定义及其与 Gamma 的关系为:

B(α,β)=∫01tα−1(1−t)β−1dt=Γ(α)Γ(β)Γ(α+β).B(\alpha,\beta)=\int_0^1 t^{\alpha-1}(1-t)^{\beta-1}dt =\frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}.

任意正实数参数下的恒等式见 NIST DLMF 5.12.1;前面的小球例子没有证明这个更一般的结论。本节的 β\beta 表示第二个形状参数,与 Gamma 分布中的速率参数含义不同。

6. 用 Beta 分布更新未知成功率#

  • 定义 BetaBeta 分布

密度为 f(p)=pα−1(1−p)β−1/B(α,β)f(p)=p^{\alpha-1}(1-p)^{\beta-1}/B(\alpha,\beta),0<p<10<p<1。分母恰好是分子的积分,所以起归一化作用。Beta(1,1)\mathrm{Beta}(1,1) 的密度恒为 1,是均匀先验;Beta(α,β)\mathrm{Beta}(\alpha,\beta) 的均值为 α/(α+β)\alpha/(\alpha+\beta)。

NOTE

在贝叶斯推断中,Beta 分布是 Bernoulli、二项、负二项和几何分布的共轭先验;这些分布都涉及成功与失败的试验。conjugate prior 这篇回答解释了共轭先验的含义。

  • 性质

先验描述的是看数据之前,参数可能取哪些值。似然则是在数据已经固定的情况下,比较哪个参数值更容易产生这份数据。根据数据更新后得到的参数分布叫后验。贝叶斯公式告诉我们:把先验乘以似然,再归一化,就得到后验。

Bernoulli 分布就是只试验一次的二项分布,结果为成功 1 或失败 0。“共轭”说的是先验乘上似然后,后验仍属于同一个分布族。

  • [1] Binomial 分布(二项分布)描述给定成功概率 pp 和试验次数 nn 时,成功 kk 次的概率分布。

  • [2] Beta 分布描述未知成功概率 pp 的不确定性。α,β\alpha,\beta 是分布的形状参数,不直接等于观察到的成功和失败次数。如果先验为 Beta(α0,β0)\mathrm{Beta}(\alpha_0,\beta_0),观察到 kk 次成功、n−kn-k 次失败后,后验为 Beta(α0+k,β0+n−k)\mathrm{Beta}(\alpha_0+k,\beta_0+n-k);这就是 Beta 先验与二项分布似然的共轭关系。

为什么参数可以直接相加?贝叶斯公式中,与 pp 无关的系数都并入归一化常数:

f(p∣k,n)∝pα0−1(1−p)β0−1⏟先验pk(1−p)n−k⏟似然=pα0+k−1(1−p)β0+n−k−1.f(p\mid k,n)\propto \underbrace{p^{\alpha_0-1}(1-p)^{\beta_0-1}}_{\text{先验}} \underbrace{p^k(1-p)^{n-k}}_{\text{似然}} =p^{\alpha_0+k-1}(1-p)^{\beta_0+n-k-1}.

符号 ∝\propto 表示“两边只差一个与 pp 无关的正系数”。最后一式正是 Beta 密度的形状。例如先验 Beta(1,1)\mathrm{Beta}(1,1),三次试验有两次成功,后验为 Beta(3,2)\mathrm{Beta}(3,2),后验均值为 3/53/5,而非样本频率 2/32/3;差别来自先验。

这个均值也可以看成两部分的加权平均:先验均值是 1/21/2,三次观察的成功率是 2/32/3。先验参数之和为 2,观察次数为 3,所以后验均值为 (2×12+3×23)/(2+3)=3/5(2\times\frac12+3\times\frac23)/(2+3)=3/5。这里的 2 只是这组 Beta 参数在均值计算中的权重,不是说我们真的做过两次试验。后验分布还保留了对 pp 的不确定性;只报告 0.6 这个均值,会丢掉分布有多集中的信息。

Beta 先验、缩放后的二项似然和 Beta 后验

上图换用教材中的另一组数,让“更新”变得可见:黄色先验是 Beta(45,55)\mathrm{Beta}(45,55),调查数据为 50 次中成功 30 次,绿色后验就是 Beta(75,75)\mathrm{Beta}(75,75)。横轴 π\pi 是未知成功率,纵轴是密度;蓝色是为了比较形状而缩放到积分为 1 的似然。绿色曲线把先验偏好的约 0.45 和数据偏好的 0.6 结合起来,并比先验更集中。它不是把黄、蓝两条曲线逐点取平均,而是先相乘、再归一化。

原图未改动:《Bayes Rules!》第 3 章,Alicia A. Johnson、Miles Q. Ott、Mine Dogucu,CC BY-NC-SA 4.0。原图链接。

7. 多项分布#

  • 定义

这里有 KK 个互斥且穷尽的类别,概率向量 p=(p1,…,pK)p=(p_1,\ldots,p_K) 满足 ∑ipi=1\sum_i p_i=1。独立试验 nn 次,各类别次数为 x1,…,xKx_1,\ldots,x_K,满足 ∑ixi=n\sum_i x_i=n。多项分布给出这些次数的联合概率;Dirichlet 则可以描述未知 pp 的不确定性。

NOTE

[2] Multinomial Distribution 即多项分布,可以理解为多维的“二项分布”。

各类别计数的联合概率为:

P(X1=x1,…,XK=xK∣p)=n!∏ixi!∏ipixi=Γ(n+1)∏iΓ(xi+1)∏ipixi.P(X_1=x_1,\ldots,X_K=x_K\mid p) =\frac{n!}{\prod_i x_i!}\prod_i p_i^{x_i} =\frac{\Gamma(n+1)}{\prod_i\Gamma(x_i+1)}\prod_i p_i^{x_i}.

这里 ∏\prod 表示把各类别对应的项相乘。第二个等号只用了 Γ(r+1)=r!\Gamma(r+1)=r!;下一节会解释阶乘系数为什么出现。

8. 多项分布为什么要乘阶乘系数#

沿用前面的小球例子,可以这样理解多项分布:

把 nn 次试验想成 nn 个有编号的小球,每个球独立地以概率 pip_i 进入第 ii 个箱子。这里有 KK 个箱子,不是 nn 个箱子:

P(X1=x1,…,XK=xK∣p)=n!x1!⋯xK!∏i=1Kpixi.P(X_1=x_1,\ldots,X_K=x_K\mid p) =\frac{n!}{x_1!\cdots x_K!}\prod_{i=1}^Kp_i^{x_i}.

符号 ∏\prod 表示把各类别对应项相乘,例如 ∏i=1Kpixi=p1x1⋯pKxK\prod_{i=1}^Kp_i^{x_i}=p_1^{x_1}\cdots p_K^{x_K}。

固定一种类别序列,它的概率是 ∏ipixi\prod_i p_i^{x_i};相同计数对应 n!/(x1!⋯xK!)n!/(x_1!\cdots x_K!) 种序列,所以乘上这个系数。例如三次试验的计数为 (2,1,0)(2,1,0),类别概率为 (0.5,0.3,0.2)(0.5,0.3,0.2),可能的序列为 AAB、ABA、BAA,总概率是 3×0.52×0.3=0.2253\times0.5^2\times0.3=0.225。用隔板可以表示各组计数,但随机放隔板本身并不自动等价于独立投球的多项模型。

9. 用 Dirichlet 分布更新多个类别的概率#

  • 定义

这里随机对象是概率向量 pp,而不是前面观察到的计数 xix_i。令参数向量 α=(α1,…,αK)\boldsymbol\alpha=(\alpha_1,\ldots,\alpha_K),每个 αi>0\alpha_i>0:

f(p)=1B(α)∏i=1Kpiαi−1,B(α)=∏iΓ(αi)Γ(∑iαi).f(p)=\frac{1}{B(\boldsymbol\alpha)}\prod_{i=1}^Kp_i^{\alpha_i-1},\qquad B(\boldsymbol\alpha)=\frac{\prod_i\Gamma(\alpha_i)}{\Gamma(\sum_i\alpha_i)}.

它只在 pi≥0p_i\ge0、∑ipi=1\sum_i p_i=1 的概率单纯形上有概率质量;密度公式在内部 pi>0p_i>0 使用。单纯形就是“所有合法概率向量的集合”:例如三分类中,知道前两个概率,第三个就是 1−p1−p21-p_1-p_2。因此它只有 K−1K-1 个自由坐标,归一化积分也在这些坐标上进行。SciPy 定义

正文用 pp 表示概率向量,用 xix_i 表示各类别计数,以免把两个随机对象混淆。

三分类 Dirichlet 样本在概率三角形中的位置

先找三个角上的 p1=1、p2=1、p3=1,再看蓝点往哪一角聚集。这里右下角最密,表示第二个概率往往较大;三角形内部的位置同时决定三个概率,不能把横纵位置当成两个互不约束的参数。

每个蓝点代表一整组 (p1,p2,p3)(p_1,p_2,p_3),三个概率加起来为 1。三个顶点分别表示某一类概率为 1;靠近右下角的点表示 p2p_2 较大。这张图使用 α=(1,5,1)\boldsymbol\alpha=(1,5,1),所以样本更多地靠近右下角,而不是均匀铺满三角形。它画的是未知概率向量的样本,不是三类事件各发生了几次。原图:UC Berkeley Stat 238,Lab 5,CC BY 4.0,未改动。

这里的 B(α)B(\boldsymbol\alpha) 是多元 Beta 归一化函数,不是前面的二参数 Beta 分布。计算方法是把各个 Γ(αi)\Gamma(\alpha_i) 的乘积除以 Γ(∑iαi)\Gamma(\sum_i\alpha_i)。

NOTE

多项分布给定 KK 个互斥类别的概率向量 pp,描述各类别计数的分布;Dirichlet 分布描述未知概率向量 pp 的不确定性。若先验为 Dirichlet(α1,…,αK)\mathrm{Dirichlet}(\alpha_1,\ldots,\alpha_K),观测到各类别计数 m1,…,mKm_1,\ldots,m_K 后,后验为 Dirichlet(α1+m1,…,αK+mK)\mathrm{Dirichlet}(\alpha_1+m_1,\ldots,\alpha_K+m_K)。形状参数 αi\alpha_i 不直接等于观测计数。这与 Beta–二项分布的共轭关系类似。

  • 性质

以一次试验只产生一个类别(例如掷骰子)的场景为例,令 XX 为各类别的出现次数。独立老虎机各自的成功率不要求总和为 1,不能直接当作同一个多项分布的类别概率。

各类别的概率组成向量 pp,这些概率相加为 1。

用分布记号写,就是 X∣p∼Multinomial⁡(n,p)X\mid p\sim\operatorname{Multinomial}(n,p)。

可以为概率向量 pp 选择 Dirichlet 先验。

  • 应用

下面用掷骰子的例子说明,观察类别计数后怎样更新概率向量。

这里考虑一个可能不均匀的骰子,不知道每个面朝上的概率。将各面出现次数记为向量 m=(m1,…,mK)m=(m_1,\ldots,m_K),总次数为 n=∑imin=\sum_i m_i。给定概率向量 pp,这些计数出现的概率(似然)是:

P(X=m∣p)=n!∏imi!∏ipimi.P(X=m\mid p)=\frac{n!}{\prod_i m_i!}\prod_i p_i^{m_i}.

把它看作似然时,已经观察到的 mm 保持不变。我们改变 pp,看哪些类别概率更容易产生这份计数。

观察到试验结果后,可以用贝叶斯公式(Bayes rule)求未知参数 pp 的后验密度:

f(p∣X=m)=P(X=m∣p)f(p)P(X=m).f(p\mid X=m)=\frac{P(X=m\mid p)f(p)}{P(X=m)}.

分母 P(X=m)P(X=m) 表示在给定先验下,观察到计数向量 mm 的概率:把每一种合法概率向量 pp 下的似然,按先验密度加权,再积分。

P(X=m)=∫SP(X=m∣p)f(p) dp=n!∏imi!B(α+m)B(α).P(X=m)=\int_{\mathcal S}P(X=m\mid p)f(p)\,\mathrm dp =\frac{n!}{\prod_i m_i!}\frac{B(\boldsymbol\alpha+m)}{B(\boldsymbol\alpha)}.

S\mathcal S 是前面介绍的概率单纯形,积分使用它的 K−1K-1 个自由坐标;α+m\boldsymbol\alpha+m 表示各坐标分别相加。第二个等号的计算方法是:先合并幂次,剩下的积分恰好是参数为 α+m\boldsymbol\alpha+m 的 Dirichlet 密度所需的归一化常数。它不包含待推断的 pp,因此是后验归一化所需的常数。

分子中的先验是前面的 Dirichlet 密度。将似然、先验和刚算出的分母代入贝叶斯公式,阶乘系数与 B(α)B(\boldsymbol\alpha) 抵消,得到:

f(p∣X=m)=P(X=m∣p)f(p)P(X=m)=1B(α+m)∏ipiαi+mi−1.f(p\mid X=m) =\frac{P(X=m\mid p)f(p)}{P(X=m)} =\frac{1}{B(\boldsymbol\alpha+m)}\prod_i p_i^{\alpha_i+m_i-1}.

推导的关键是指数相加:f(p∣m)∝∏ipiαi−1∏ipimi=∏ipiαi+mi−1f(p\mid m)\propto\prod_i p_i^{\alpha_i-1}\prod_i p_i^{m_i}=\prod_i p_i^{\alpha_i+m_i-1}。分母只依赖已经观察到的计数 mm,不依赖待推断的 pp,因此可以并入常数 cc。这里 c=1/B(α+m)c=1/B(\boldsymbol\alpha+m) 起归一化作用,使后验密度的积分为 1。

由此得到,未知参数 pp 的后验仍服从 Dirichlet 分布:

p∣X=m∼Dirichlet⁡(α1+m1,…,αK+mK).p\mid X=m\sim\operatorname{Dirichlet}(\alpha_1+m_1,\ldots,\alpha_K+m_K).

也就是说,每个类别的先验参数加上该类别的观测次数,就得到后验参数。

例如一个三面骰子的先验为 Dirichlet(1,1,1)\mathrm{Dirichlet}(1,1,1),观察计数 (2,1,0)(2,1,0) 后,后验为 Dirichlet(3,2,1)\mathrm{Dirichlet}(3,2,1)。各面的后验均值是 (3/6,2/6,1/6)(3/6,2/6,1/6):未出现的第三面仍保留正概率。一般地,第 ii 个概率的均值为 αi/∑jαj\alpha_i/\sum_j\alpha_j,观察后用更新后的参数代入即可。

这说明如何更新一个骰子的类别概率;它本身还不是选择老虎机的决策算法。若每台机器只返回成功/失败,就分别用 Beta 后验,Thompson Sampling 每轮对每台机器抽一个候选成功率,再选择候选值最大的机器,具体过程见 Sampling Method。

10. 从 Gamma 采样得到 Dirichlet 和 Beta#

这几个分布不只是公式里都出现了 Gamma 函数。我们还可以从 Gamma 分布采样,生成 Dirichlet 样本:独立抽取 Yi∼Gamma(αi,rate=1)Y_i\sim\mathrm{Gamma}(\alpha_i,\text{rate}=1),再令 pi=Yi/∑jYjp_i=Y_i/\sum_jY_j,所得向量就服从 Dirichlet(α)\mathrm{Dirichlet}(\boldsymbol\alpha)。所有 Gamma 必须使用相同 rate,归一化时这个共同尺度会抵消。NumPy 的采样说明

当 K=2K=2,p2=1−p1p_2=1-p_1,Dirichlet 密度就化为 p1α1−1(1−p1)α2−1/B(α1,α2)p_1^{\alpha_1-1}(1-p_1)^{\alpha_2-1}/B(\alpha_1,\alpha_2),即 p1∼Beta(α1,α2)p_1\sim\mathrm{Beta}(\alpha_1,\alpha_2)。所以,二分类的 Dirichlet 分布可以用一个 Beta 分布表示:它描述 p1p_1,另一个概率由 p2=1−p1p_2=1-p_1 确定,并不是两个彼此独立的成功率。

NOTE

如何根据已有分布采样?可以接着看 Sampling Method。

参考资料#

[1] https://zhuanlan.zhihu.com/p/37976562

[2] https://zhuanlan.zhihu.com/p/69606875

[3] https://readmedium.com/en/https:/towardsdatascience.com/dirichlet-distribution-the-underlying-intuition-and-python-implementation-59af3c5d3ca2

Gamma、Beta 和 Dirichlet 分布怎么理解
https://xuchenhui.cc/posts/2024-04-10-gama-beta-dirichlet/
作者
CHENHUI
发布于
2024-04-10
许可协议
CC BY-NC-SA 4.0

上述许可适用于本站原创内容;引用的图片、代码等第三方素材,以各自注明的许可为准。

📖 目录