Beklenen Değer ve Varyans (sürekli)

The mathematics of uncertainty

Beklenen değer ve varyans hakkında öğrendiğin her şey sürekli değişkenlere taşınır. Sadece toplamı bir integralle değiştirirsin. PMF ağırlığı p(x), yoğunluk f(x) dx olur ve "bütün değerler üzerinden topla" ifadesi "doğru üzerinden integralini al" olur.

Sezgi aynıdır: E[X] hâlâ yoğunluğun kütlesinin denge noktasıdır ve varyans hâlâ o noktadan ortalama karesel uzaklıktır. Doğrusallık ve ölçekleme kuralı Var(aX+b)=a²Var(X) hepsi değişmeden hayatta kalır.

Ağırlığın bir noktada durmak yerine tahta boyunca eşit olmayan bir şekilde yayıldığı bir tahterevalli düşünün. Dengelediği tek nokta yoğunluğun ortalaması olan E[X] değeridir. Ağırlığın o pivottan ne kadar dışarı fırlatıldığı, ortalama kare mesafesi olarak ölçüldüğünde, Var(X) değeridir: merkeze yakın toplanmış ağırlık küçük varyans anlamına gelirken, uzak uçlara itilen ağırlık büyük varyans anlamına gelir.

Bunun ML'deki yeriSürekli beklenen değerler integrallerdir ve yüksek boyutlu uzaylar üzerindeki integraller genellikle çözülemez. Bu yüzden ML, Monte Carlo tahminine dayanır: E[g(X)] = ∫ g(x)f(x)dx'i, f'den çekilen xᵢ örnekleri üzerinden bir ortalama (1/n) Σ g(xᵢ) ile yaklaşıkla. RL'deki her "beklenen ödül" ve bir VAE'deki her ELBO terimi, örnekleme ile tahmin edilen bu integrallerden biridir.
▶ Beklenen Değer ve Varyans (sürekli)
← PDF ve CDFGauss Dağılımı →