深入理解交叉熵损失CrossEntropyLoss - 乘积符号在似然函数中的应用

本文主要是介绍深入理解交叉熵损失CrossEntropyLoss - 乘积符号在似然函数中的应用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

深入理解交叉熵损失CrossEntropyLoss - 乘积符号在似然函数中的应用

flyfish

乘积符号prod,通常写作 ∏ \prod ,它类似于求和符号 ∑ \sum ,但它表示的是连续乘积。我们来看一下这个符号的具体用法和例子。

乘积符号 ∏ \prod

乘积符号 ∏ \prod 用于表示一系列数的乘积。其具体形式如下:

∏ i = 1 n a i \prod_{i=1}^{n} a_i i=1nai

这个表达式表示从 i = 1 i = 1 i=1 i = n i = n i=n 的所有 a i a_i ai 的乘积。更具体地说:

∏ i = 1 n a i = a 1 ⋅ a 2 ⋅ a 3 ⋅ … ⋅ a n \prod_{i=1}^{n} a_i = a_1 \cdot a_2 \cdot a_3 \cdot \ldots \cdot a_n i=1nai=a1a2a3an

例子
  1. 简单乘积
    ∏ i = 1 4 i = 1 ⋅ 2 ⋅ 3 ⋅ 4 = 24 \prod_{i=1}^{4} i = 1 \cdot 2 \cdot 3 \cdot 4 = 24 i=14i=1234=24
  2. 带常数因子的乘积
    ∏ i = 1 3 ( 2 i ) = 2 ⋅ 4 ⋅ 6 = 48 \prod_{i=1}^{3} (2i) = 2 \cdot 4 \cdot 6 = 48 i=13(2i)=246=48
  3. 概率的乘积
    假设有一组独立的随机变量 X 1 , X 2 , … , X n X_1, X_2, \ldots, X_n X1,X2,,Xn,每个变量的概率为 P ( X i ) P(X_i) P(Xi),那么:
    ∏ i = 1 n P ( X i ) \prod_{i=1}^{n} P(X_i) i=1nP(Xi)
    表示所有这些变量的联合概率。

乘积符号在似然函数中的应用

在统计学和机器学习中,乘积符号 ∏ \prod 常用于定义似然函数,特别是在处理独立同分布(i.i.d.)数据时。

似然函数的定义

假设我们有一个参数化的概率模型 P ( X ∣ θ ) P(X|\theta) P(Xθ),其中 θ \theta θ 是模型的参数, X X X 是观测数据。如果我们有独立同分布的数据集 { x 1 , x 2 , … , x n } \{x_1, x_2, \ldots, x_n\} {x1,x2,,xn},那么似然函数 L ( θ ∣ X ) L(\theta | X) L(θX) 是各数据点概率的乘积:

L ( θ ∣ X ) = ∏ i = 1 n P ( x i ∣ θ ) L(\theta | X) = \prod_{i=1}^{n} P(x_i|\theta) L(θX)=i=1nP(xiθ)

这里的 ∏ i = 1 n \prod_{i=1}^{n} i=1n 表示从 i = 1 i=1 i=1 i = n i=n i=n 的所有 P ( x i ∣ θ ) P(x_i|\theta) P(xiθ) 的乘积。

具体例子

假设我们有一组二项分布数据,每个数据点的概率为 P ( x i ∣ p ) = p x i ( 1 − p ) 1 − x i P(x_i|p) = p^{x_i} (1-p)^{1-x_i} P(xip)=pxi(1p)1xi,其中 p p p 是硬币正面朝上的概率, x i x_i xi 表示第 i i i 次投掷的结果(1 表示正面,0 表示反面)。那么,对于 n n n 次投掷,似然函数可以写成:

L ( p ∣ X ) = ∏ i = 1 n P ( x i ∣ p ) = ∏ i = 1 n p x i ( 1 − p ) 1 − x i L(p | X) = \prod_{i=1}^{n} P(x_i|p) = \prod_{i=1}^{n} p^{x_i} (1-p)^{1-x_i} L(pX)=i=1nP(xip)=i=1npxi(1p)1xi

对数似然函数

为了简化计算,通常对似然函数取对数,得到对数似然函数:

log ⁡ L ( p ∣ X ) = log ⁡ ( ∏ i = 1 n p x i ( 1 − p ) 1 − x i ) = ∑ i = 1 n log ⁡ ( p x i ( 1 − p ) 1 − x i ) = ∑ i = 1 n ( x i log ⁡ ( p ) + ( 1 − x i ) log ⁡ ( 1 − p ) ) \log L(p | X) = \log \left( \prod_{i=1}^{n} p^{x_i} (1-p)^{1-x_i} \right) = \sum_{i=1}^{n} \log \left( p^{x_i} (1-p)^{1-x_i} \right) = \sum_{i=1}^{n} \left( x_i \log(p) + (1 - x_i) \log(1 - p) \right) logL(pX)=log(i=1npxi(1p)1xi)=i=1nlog(pxi(1p)1xi)=i=1n(xilog(p)+(1xi)log(1p))

乘积符号 ∏ \prod 用于表示一系列数的连续乘积。在最大似然估计和许多其他统计应用中,它被用来计算独立同分布数据的联合概率。

这篇关于深入理解交叉熵损失CrossEntropyLoss - 乘积符号在似然函数中的应用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1045276

相关文章

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

认识、理解、分类——acm之搜索

普通搜索方法有两种:1、广度优先搜索;2、深度优先搜索; 更多搜索方法: 3、双向广度优先搜索; 4、启发式搜索(包括A*算法等); 搜索通常会用到的知识点:状态压缩(位压缩,利用hash思想压缩)。

深入探索协同过滤:从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤(UserCF)2. 基于物品的协同过滤(ItemCF)3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代,推荐系统成为连接用户与内容的桥梁。本文聚焦于

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

hdu1394(线段树点更新的应用)

题意:求一个序列经过一定的操作得到的序列的最小逆序数 这题会用到逆序数的一个性质,在0到n-1这些数字组成的乱序排列,将第一个数字A移到最后一位,得到的逆序数为res-a+(n-a-1) 知道上面的知识点后,可以用暴力来解 代码如下: #include<iostream>#include<algorithm>#include<cstring>#include<stack>#in

hdu1171(母函数或多重背包)

题意:把物品分成两份,使得价值最接近 可以用背包,或者是母函数来解,母函数(1 + x^v+x^2v+.....+x^num*v)(1 + x^v+x^2v+.....+x^num*v)(1 + x^v+x^2v+.....+x^num*v) 其中指数为价值,每一项的数目为(该物品数+1)个 代码如下: #include<iostream>#include<algorithm>

zoj3820(树的直径的应用)

题意:在一颗树上找两个点,使得所有点到选择与其更近的一个点的距离的最大值最小。 思路:如果是选择一个点的话,那么点就是直径的中点。现在考虑两个点的情况,先求树的直径,再把直径最中间的边去掉,再求剩下的两个子树中直径的中点。 代码如下: #include <stdio.h>#include <string.h>#include <algorithm>#include <map>#

【区块链 + 人才服务】可信教育区块链治理系统 | FISCO BCOS应用案例

伴随着区块链技术的不断完善,其在教育信息化中的应用也在持续发展。利用区块链数据共识、不可篡改的特性, 将与教育相关的数据要素在区块链上进行存证确权,在确保数据可信的前提下,促进教育的公平、透明、开放,为教育教学质量提升赋能,实现教育数据的安全共享、高等教育体系的智慧治理。 可信教育区块链治理系统的顶层治理架构由教育部、高校、企业、学生等多方角色共同参与建设、维护,支撑教育资源共享、教学质量评估、