《计算机视觉：模型、学习和推理》——第3章 常用概率分布
本节书摘来自华章计算机《计算机视觉：模型、学习和推理》一书中的第3章，作者：（英）普林斯（Prince，J. D.）著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。
第3章 常用概率分布
第2章介绍了概率运算的抽象规则。为了使用这些规则，还需要定义若干概率分布。概率分布Pr（x）的选择取决于建模数据x的定义域（见表3-1）。
概率分布对视觉数据的建模显然是有用的，例如分类分布和正态分布。然而，其他分布往往并非如此，例如，狄利克雷分布存在总和为1的K个正数，视觉数据通常不采用这种形式。
解释如下：当拟合数据的概率模型时，需要知道拟合的不确定性。该不确定性用拟合模型参数的概率分布来表示。因此对用于建模的每种分布，另有一个与参数联系的概率分布表（见表3-2）。例如，狄利克雷用来建模分类分布的参数。在这种情况下，狄利克雷的参数将称为超参数。一般来说，超参数决定原分布的参数的概率分布的形状。
在详细阐述分布的参数的关系之前，先浏览一下表3-2中的分布。