Odborná definícia
Význam a odborné vymedzenie pojmu
Joint distribution opisuje pravdepodobnosť alebo hustotu všetkých kombinácií hodnôt dvoch či viacerých náhodných premenných. Z nej možno marginalizáciou získať rozdelenie jednej premennej a podmienením rozdelenie pri známej hodnote inej premennej. Spoločné rozdelenie zachytáva závislosti, ktoré samostatné marginálne rozdelenia neurčujú. V AI sa používa v generatívnych modeloch, Bayesovských sieťach, latentných modeloch a pri formulácii učenia z párovaných dát. Pri vysokom počte premenných sa explicitná tabuľka stáva neúnosnou, preto sa rozdelenie faktorizuje alebo aproximuje.
Zrozumiteľné vysvetlenie
Ako sa pojem používa v praxi
Poznať zvlášť rozdelenie veku zákazníkov a zvlášť rozdelenie nakupovaných kategórií nestačí na zistenie, ktoré vekové skupiny kupujú ktoré produkty. Spoločné rozdelenie priraďuje pravdepodobnosť kombináciám oboch premenných. Z neho vieme vypočítať, aká je pravdepodobnosť kategórie pri známom veku, alebo ignorovať kategóriu a získať iba vekové rozdelenie. V generatívnom modeli môže spoločné rozdelenie prepájať obraz s textovým opisom. Presný zápis však pri mnohých premenných rastie exponenciálne, preto sa využívajú grafové závislosti.
Časté otázky
Otázky, ktoré spresňujú význam
Ako sa z joint distribution získa marginal distribution?
Sčítajú sa pravdepodobnosti cez všetky hodnoty premenných, ktoré nechceme ponechať, alebo sa pri spojitom prípade integrujú. Výsledok opisuje vybranú podmnožinu premenných bez podmienky na ostatné.
Čo znamená nezávislosť v spoločnom rozdelení?
Premenné X a Y sú nezávislé, ak sa ich spoločné rozdelenie faktorizuje ako p(x,y) = p(x)p(y) pre všetky relevantné hodnoty. Rovnaké marginály samy osebe nezávislosť nepotvrdzujú.
Ako súvisí s podmienenou pravdepodobnosťou?
Podmienené rozdelenie p(y|x) sa získa vydelením p(x,y) marginálom p(x), ak je p(x) kladné. Bayesovo pravidlo potom prepája opačné podmienenie cez spoločné a marginálne členy.
Prečo je modelovanie vo vysokom rozmere ťažké?
Počet kombinácií rastie s počtom premenných a ich stavov. Dáta sú riedke a priama tabuľka je nepraktická. Faktorizácia, latentné premenné a neurónové parametrizácie využívajú štruktúru na zníženie nárokov.
Čo je empirical joint distribution?
Je to rozdelenie odhadnuté z pozorovaných dvojíc alebo n-tíc, napríklad relatívnymi frekvenciami. Odráža vzorku, nie presne populáciu, a pri zriedkavých kombináciách môže mať vysokú neistotu alebo nulové bunky.
Súvisiace pojmy
Významové a tematické súvislosti
Pojem v rozhodovaní
Odborné články, ktoré tento pojem používajú v praxi
Zdroje a redakčná stopa
Použité východiská a odborná revízia
- NIST/SEMATECH, Probability Distributions
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.