您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识

poisson分布(poisson鍒嗗竷鍏紡)

正态分布,概率,变量poisson分布(poisson鍒嗗竷鍏紡)

发布时间：2016-12-08加入收藏来源：互联网点击：

AxB 服从正态分布；A+B 服从正态分布。

变量还是乖乖地变成正态分布吧

如果样本满足某个未知的分布，那么通过一系列操作，它总是能变成正态分布。相反，标准正态分布的叠加与转换，也一定能变化为任意未知分布。从标准正态转换到未知分布，就是很多机器学习模型希望做到的，不论是视觉中的 VAE 或 GAN，还是其它领域的模型。

但对于传统统计学，我们更希望将特征的分布转换成正态分布，因为正态分布简单又好算呀。下面展示了几种转换为标准正态的方法，像相信变换什么的，在高中都有学过。

1. 线变换

我们收集到作为变量的样本后，就可以用下面的公式对样本做线变换，从而计算出

Z 分数计算平均值计算标准差

用下式根据每一个值 x 计算出 Z

以前 x 可能服从某个未知分布，但是归一化后的 Z 是服从正态分布的。嗯，这就是做批量归一化或其它归一化的好处吧。

2.Box-cox 变换

你可以用 Python 的 SciPy 包将数据转换成正态分布：

scipy.stats.boxcox(x, lmbda=None, alpha=None)

3.YEO-JOHBSON 变换

此外，也可以用强大的 yeo-johnson 变换。Python 的 sci-kit learn 提供了合适的函数：

sklearn.preprocessing.PowerTransformer(method=’yeo-johnson’, standardize=True, copy=True)

最后，非常重要的一点是，在没有做任何分析的情况下假设变量服从正态分布是很不明智的。

以遵循泊松分布（Poisson distribution）、t 分布（student-t 分布）或二项分布（Binomial distribution）的样本为例，如果错误地假设变量服从正态分布可能会得到错误的结果。

原文链接：https://medium.com/fintechexplained/ever-wondered-why-normal-distribution-is-so-important-110a482abee3

本文到此结束，希望对大家有所帮助呢。

 2/2   首页 上一页 1 2