统计学习方法（第二版） 概率分布学习
本文主要介绍机器学习的概率分布，帮助后续的理解。
定义直接从书上搬的想自己写，但没有定义准确，还浪费事件，作为个人笔记，遇到速查。
目录
一、二点分布（0-1分布、伯努利分布）
二、二项分布（离散分布）
三、泊松分布（离散分布）
四、范畴分布（离散分布）
五、均匀分布（连续分布）
五、正态分布、高斯分布、标准正态分布（连续分布）
六、指数分布（连续分布）
七、拉普拉斯分布（Laplace）（连续分布）
总结
一、二点分布（0-1分布、伯努利分布）
二、二项分布（离散分布）
三、泊松分布（离散分布）
四、范畴分布（离散分布）
在这里举个例子吧！
比如说掷骰子结果有6中状态，也就是k = 6，可以知道6种情况的概率为1，所以当我们已知5种情况的概率，就能计算出剩一种情况的概率。这就是范畴分布。
五、均匀分布（连续分布）
五、正态分布、高斯分布、标准正态分布（连续分布）
六、指数分布（连续分布）
七、拉普拉斯分布（Laplace）（连续分布）
在概率论和统计学中，拉普拉斯是一种连续概率分布。由于它可以看做是俩个不同位置的指数分布背靠背拼在一起，所以它也叫做双指数分布。如果随机变量的概率密度函数分布为：
总结
简单介绍几个概率分布，这太多太难了，无语死！