🎯要点

1. 高斯混合模型聚类和t分布随机邻域嵌入底层分析
2. 信息论测量
3. 复合彩票统计学计算结果
4. 离散分布速率最优估计器
5. 样本统计相似性
6. 快速闭环散度和交叉熵计算
7. 催乳素诱导模型贝叶斯快速推理模型
8. 视觉皮层活动神经数据分布
   

Python散度

在数理统计中，库尔巴克–莱布勒散度（也称为相对熵和 I 散度 ），表示为 $D_{KL}(P\Vert Q)$，是一种统计距离：衡量一个参考概率分布 $P$ 与第二个概率分布 $Q$ 之间的差异。从数学上讲，它定义为
$$D_{KL}(P\Vert Q)=\sum _{x\in X}P(x)\log \left(\frac{P(x)}{Q(x)}\right)$$
让我们从离散情况开始。因此，让 $P$ 和 $Q$ 成为在同一概率空间 $\mathcal{X}$ 上定义的两个概率分布。第一次尝试可能是考虑分布之间差异的平均值。确实非常接近，但以下定义略有不同。库尔巴克–莱布勒散度（也称为相对熵）KL $(P\Vert Q)$ 定义为概率 $P(x)$ 和 $Q(x)$ 的对数之间差异的平均值：
$$KL(P\Vert Q)\stackrel{\text{ def }}{=}E[\log P(x)-\log Q(x)]$$
期望值使用概率 $P$（通常写为 $x\sim P$ ）计算。期望值的定义可得出以下表达式
$$KL(P\Vert Q)=\sum _{x\in X}P(x)\log \left(\frac{P(x)}{Q(x)}\right)$$
对于连续分布，我们写为
$$KL(P\Vert Q)={\int }_{-\infty }^{\infty }p(x)\log \left(\frac{p(x)}{q(x)}\right)dx$$
其中 $p(x)$ 和 $q(x)$ 分别是 $P$ 和 $Q$ 的密度。

如果 { p i } \left\{p_i\right\} {pi​} 和 { q i } \left\{q_i\right\} {qi​} 是两个概率质量函数，即两个可数或有限的非负数序列，且和为 1，那么
$$\sum _i{p}_i\log \left(\frac{p_i}{q_i}\right)\ge 0$$
关于散度实际上表达了两个分布之间的某种距离，表达式
$$\begin{array}{rl}KL(P\Vert Q)& ={\int }_{-\infty }p(x)(\log p(x)-\log q(x))dx\\ & ={\int }_{-\infty }^{\infty }p(x)D(x)dx\end{array}$$
令 $P$ 和 $Q$ 为以下分布（每个可能的结果 $x$ 都在 X = { 0 , 1 , 2 } X =\{0,1,2\} X={0,1,2} 中）：
$$\begin{array}{cccc}& 0& 1& 2\\ \text{ 分布 }P(x)& 9/25& 12/25& 4/25\\ \text{ 分布 }Q(x)& 1/3& 1/3& 1/3\end{array}$$
我们来计算一下$KL(P\Vert Q)$。
$$\begin{array}{rl}KL(P\Vert Q)& =\sum _{x}P(x)\log \left(\frac{P(x)}{Q(x)}\right)\\ & =9/25\log \left(\frac{9/25}{1/3}\right)+12/25\log \left(\frac{12/25}{1/3}\right)+4/25\log \left(\frac{4/25}{1/3}\right)\\ & \approx 0.0853\end{array}$$

使用Python评估

from scipy.stats import entropy
entropy([9/25, 12/25, 4/25], qk=[1/3, 1/3, 1/3])

0.0852996013183706

import matplotlib.pyplot as plt 
import numpy as np 

p = [9/25, 12/25, 4/25]
q = [1./3,1./3,1./3]
xx = ['0','1','2']

logq = np.log(q)
logp = np.log(p)

plt.bar(xx, q, color='beige')
plt.bar(xx, p, alpha=.6, color='orange')
plt.show()

plt.bar(xx, logq, color='beige')
plt.bar(xx, logp, alpha=.6, color='orange')
plt.show()

from scipy.stats import norm, skewnorm

x = np.arange(-3,2.5,.001)
plt.plot(x, 10*skewnorm.pdf(x,-1.2), color='black')
plt.plot(x, 10*norm.pdf(x, scale=1.1), color='orange')
log1 = np.log(skewnorm.pdf(x,-1.2))
log2 = np.log(norm.pdf(x, scale=1.1))
plt.plot(x, log1, color='black')
plt.plot(x, log2, color='orange')
plt.fill_between(x, log1, log2, 
                 where=log1>=log2, facecolor='grey', 
                 interpolate=True)
plt.fill_between(x, log1, log2, 
                 where=log1<log2, facecolor='orange', 
                 interpolate=True)
plt.show()

👉更新：亚图跨际