我基本上是在学习潜在的狄利克雷分配。我在这里观看视频：http: //videolectures.net/mlss09uk_blei_tm/并停留在第 45 分钟，当时他开始解释从分布中抽样。
我还尝试查阅一本没有详细介绍 Dirichelt 分布的机器学习书籍。在我正在阅读的书中提到了一个从狄利克雷分布中采样“概率向量”的示例，但这意味着什么？
我将分布中的抽样理解为根据分布获取随机变量的随机值。所以让 p_X,Y(x,y) 但是任何分布的 pmf，从这个分布中采样意味着我得到一个随机的 (x,y)（即 x 和 y 的随机值）。为了获得事件发生的概率（X=x AND Y=y），我们评估分布的 pmf ......所以我们只得到一个数字。但是这里的“概率向量”是什么！
我附上了这本书的截图。我真的希望你能帮忙！
狄利克雷分布通常用于在几个类别中对事件进行概率分类。假设天气事件采用狄利克雷分布。然后我们可能会认为明天天气晴天的概率等于 0.25，下雨的概率等于 0.5，下雪的概率等于 0.25。将这些值收集在一个向量中会创建一个概率向量。
考虑狄利克雷分布的另一种方法是折断棍子的过程。想象一根单位长度的棍子。在任何地方折断那根棍子并保留两块之一。然后将剩余的部分分成两部分，并根据需要继续进行。所有片段加在一起必须总和为单位长度，将不同长度的片段分配给不同的事件代表该事件的概率。
如果您熟悉 beta 分布，Dirichlet 分布可能会变得更加清晰。贝塔分布通常用于描述二分事件的概率分布，因此它仅限于单位区间。例如，对于伯努利试验，只有一个参数描述“成功”的概率。很多时候我们会想到是固定的，但如果我们不确定，我们可以考虑所有可能的分布s，对于我们认为更合理的那些可能性更大，所以也许， 在哪里将更多的质量集中在 1 附近并且将更多的质量集中在 0 附近。
有人可能会反对 beta 分布仅描述单个概率的概率，例如，，这是一个标量数。但请记住，beta 分布描述的是二分法结果。所以通过应用 Kolmogorov 的第二公理，我们也知道也是。将这些结果收集到一个向量中，就为我们提供了一个概率向量。
将 beta 分布扩展到三个或更多类别，得到 Dirichlet 分布；事实上，两组的 Dirichlet 的 PDF 与 beta 分布完全相同。