本文主要是介绍机器学习中检验样本抽样的均匀——KL散度检验和K-S检验，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！
最近做的一个项目中，需要对原来的数据进行一定量的采样形成训练集，因此需要保证采样的均匀性以保证样本参数的同分布性。
样本数据是这样的：
| ID.wav | Date |
可以看到，样本数据只有日期参数可以使用，所以我采用对抽样后的样本跟总体的日期参数进行分布检验的方法。
因为日期的分布不具有分布假设，所以需要用非参数检验方法，直接比较两个分布的差异，我找到两种方法：
1.机器学习中常用的KL散度方法
2.社会统计学中常用的K-S检验方法
简单介绍一下这两种方法：
KL散度
在总体分布P的每一个值上进行加权，对于P很大的时候Q也要很大，P很小时Q的大小没关系，以保证Q是P的局部样本
直观来说，这是对随机变量的每个取值上，这个值的加权平均。这里加权的权值是
（其实就是算了个期望）。
这篇关于机器学习中检验样本抽样的均匀——KL散度检验和K-S检验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！
