机器学习-累计分布函数（CDF）
1.累计分布函数（The Cumulative Distribution Function）:在x点左侧事件发生的总和。累计分布函数的特性：①因为累计分布函数是计算x点左侧的点的数量，所以累计分布函数CDF是单调递增的。②CDF比没有直方图变化剧烈，但是CDF包含了相同的信息，并且减少了噪声。。③由于CDF不存在装箱（分段），因此比直方图能更好的展现数据。④所有的CDF中，...
1.累计分布函数（The Cumulative Distribution Function）:在x点左侧事件发生的总和。
累计分布函数的特性：
①因为累计分布函数是计算x点左侧的点的数量，所以累计分布函数CDF是单调递增的。
②CDF比没有直方图变化剧烈，但是CDF包含了相同的信息，并且减少了噪声。。
③由于CDF不存在装箱（分段），因此比直方图能更好的展现数据。
④所有的CDF中，在x趋近-∞时，CDF趋近于0，当x趋近+∞时，CDF趋近与1（100%）
⑤对于给定的数据集，CDF是唯一的
CDF可以看做直方图的积分，直方图可以看做是CDF对x的导数。
2 对比概率图和特定分布
通过直方图/KDE和理论的密度函数对比是非常困难的，通过CDF进行对比是一个好点的选择，但是也不是特别容易。
针对高斯分布：
取反函数：
因此这个式子是斜率为σ并且截距是μ的一条直线。
针对垂直轴，采用原来数据的单位，针对水平轴x可以称为概率单位（probits）。
需要生成一个概率图，不但需要数据本身，还需要知道每一个点xi对应的分位点（quantile）yi。分位点取得方法如下：
①把数据进行升序排列
②分配每个数据的级别（rank），从1开始
③数据的分位点（quantile）yi定义为级别(rank)除以n+1，n是数据的总个数。
以下是例子：
CSDN联合极客时间，共同打造面向开发者的精品内容学习社区，助力成长！
更多推荐
10
0- 0
已为社区贡献3条内容
所有评论(0)