Machine learning 质量点，Dirichlet过程中的Diracδ

当处理Dirichlet过程时，根据[Teh，2007]，DP被定义为基本概率H和比例因子“alpha”

根据断棒结构，从DP中随机抽取G：

G~DP（α，H）

由以下公式给出：

G=从1到无穷大的k上的和（πk*δθk）

pi_k是根据给定酉棒长度的Beta分布进行排序的

delta_theta_k是以“theta_k”为中心的点质量（theta_k是从基本分布中随机抽取的）

我对所有的变量都有相当清晰的理解，但我不知道它们所说的“质量点”是什么意思，是那个图的概率密度，还是别的什么

如果你能给我指出任何方向，那就太好了，只有一个参考资料才是令人惊奇的

---

谢谢

G是概率分布上的概率分布。这些（次）概率分布在某个域上，我们称之为BigTheta

每个θk都是从BigTheta上的分布中抽取的，所以它是BigTheta的一些元素

每个deltaθk都是BigTheta上的概率分布，定义为deltaθk（θk）=1和deltaθk（任何其他）=0。这就是他们所谓的“点质量”分布，因为分布的所有质量都在域的一个点上

---

G是BigTheta上概率分布的概率分布，定义为：对于BigTheta上称为f（由θ参数化）的某些分布，G（f（θ））=sum（pi_k*delta_θk（θ））

---

我希望这能有所帮助，我认为你的想法大体上是正确的，只是符号可能会变得有点复杂（这不是这种符号的最佳选择）。每当你遇到一个符号时，思考它是什么类型的函数，即它的定义通常是很有帮助的。

G是概率分布上的概率分布。这些（次）概率分布在某个域上，我们称之为BigTheta

每个θk都是从BigTheta上的分布中抽取的，所以它是BigTheta的一些元素

每个deltaθk都是BigTheta上的概率分布，定义为deltaθk（θk）=1和deltaθk（任何其他）=0。这就是他们所谓的“点质量”分布，因为分布的所有质量都在域的一个点上

---

G是BigTheta上概率分布的概率分布，定义为：对于BigTheta上称为f（由θ参数化）的某些分布，G（f（θ））=sum（pi_k*delta_θk（θ））

---

我希望这能有所帮助，我认为你的想法大体上是正确的，只是符号可能会变得有点复杂（这不是这种符号的最佳选择）。当你遇到一个符号时，思考它是什么类型的函数，即它的定义通常是很有帮助的。

如果你能提供更多关于参考的细节，而不仅仅是[Teh，2007]我将假设它是“Dirichlet过程”Yee-Whye-Teh，机器学习百科全书如果你能提供更多关于参考文献的详细信息，而不仅仅是[Teh，2007]我将假设是“Dirichlet过程”Yee-Whye-Teh，机器学习百科全书这是一个非常好的答案，谢谢，抱歉没有指出整个参考文献的问题，祝你好运试图理解Dirichlet过程-他们肯定把我搞糊涂了：）顺便说一句，在上问这类问题（即关于NLP/贝叶斯统计数据的讨论）可能会得到更好的结果。这是一个非常好的答案，谢谢，抱歉没有指出整个参考问题，祝你好运试图理解Dirichlet过程-他们肯定把我搞糊涂了：）顺便说一句，在上问这些问题（即关于NLP/贝叶斯统计数据的讨论）可能会得到更好的结果。