@zsh-o
2018-03-17T19:09:54.000000Z
字数 4278
阅读 3937
PRML
机器学习
《PRML》第一章的练习需要证明高斯分布的归一化条件,想了一下干脆看看高斯分布是怎么推导出来的吧。证明归一化需要把笛卡尔坐标系变换到极坐标系,积分计算公式很简单:,但该公式是怎么得到的?查了一下发现与换元积分关,用到的是雅可比矩阵
这部分主要参考《正太分布的前生今世》,那篇文章介绍了四种推导方法,这里只介绍其中两种
首先高斯作了一个假定:真实值的极大似然估计 算数平均值
设真实值为,有个独立的观测值,则每次测量的误差为,误差的密度函数为,那么个误差的联合概率为
设正太分布
笛卡尔坐标系的基底,我们要把其转换到极坐标系的基底表示,并且坐标变换公式满足:
这部分主要参照如何理解雅可比式-希腊橄榄
设,相当于函数把一个元的向量映射为一个元的向量,映射的雅可比矩阵相当于的每一个分量对每一个的分量的偏导组成的矩阵
例如上面的笛卡尔坐标系变换到极坐标系