概率统计模型有哪些

概率统计模型是统计学中用于描述、分析和预测随机现象的工具。以下是一些常见的概率统计模型：

1. 参数估计模型

最大似然估计

贝叶斯估计

2. 假设检验模型

单样本检验

双样本检验

方差分析

回归分析

3. 线性模型

线性回归模型

广义线性模型

岭回归

lasso回归

4. 非线性模型

非线性回归

逻辑回归

人工神经网络

支持向量机

5. 时间序列模型

ARIMA模型

ARCH模型

GARCH模型

6. 聚类模型

K均值聚类

层次聚类

7. 决策树模型

CART决策树

随机森林

8. 贝叶斯网络模型

朴素贝叶斯

高斯贝叶斯

贝叶斯网络

9. 隐马尔可夫模型

用于序列数据建模

10. 混合模型

混合高斯模型

混合线性模型

11. 古典概率模型

基本事件总数有限

每个基本事件发生的概率相等

12. 分布模型

正态分布

二项分布

13. 马尔可夫模型

描述一系列随时间变化的随机过程模型

14. 隐马尔可夫模型

包含观测变量和隐含状态变量的马尔可夫模型

15. 概率图模型

用图结构描述多元随机变量之间的条件独立关系

16. 混合模型

由多个概率分布组成的加权平均模型

17. 超几何分布

从N个个体中不放回地取n个个体

总体分为变量X所属部分和非变量X所属部分

18. 贝叶斯公式

更新先验概率得到后验概率的方法

19. 基础概率

在没有任何额外信息的情况下，某一事件发生的固有概率

20. 均值与异常值

均值作为数据的中心趋势指标

异常值可能蕴含重要信息

21. 大数定律

在大量重复试验下，随机事件的相对频率趋近于一个稳定值

这些模型在数据分析、预测、决策支持等多个领域有着广泛的应用。

其他小伙伴的相似问题：

概率统计中如何应用最大似然估计？

概率统计中双样本检验的具体方法是什么？

概率统计中逻辑回归模型的应用场景有哪些？