瞭解機率知識，機率作為機器學習的底層邏輯

1. 隨機

隨機是我們進行機率推導的基石之一。我們的統計學中經常說一枚硬幣拋正面的機率是50%，就是基於每次拋硬幣都是隨機事件。

真隨機” 和 “偽隨機”的區別:

真隨機

在真隨機中，每一個事件都是相互獨立、服從真隨機分佈的，不受其他事件的發生而改變。

偽隨機

我們程式設計師都知道，程式給定條件，得到的是確定的結果。所以我們編寫的Math.random()肯定不是真隨機，而是偽隨機。程式碼底下無秘密，我們看下自帶random函式的隨機數產生的邏輯。

圖1 random函式計算原始碼

可以看出，如果給定相同的seed，random方法將返回相同的隨機數。所以程式只是在生成近似隨機結果

2. 使用者對隨機的感受體驗

因此真隨機在實際使用過程中，並不一定帶來好的體驗。而很多偽隨機演算法更多的是在照顧使用者的感受。

PRD機制（Pseudo Random Distribution）

在遊戲中，會有機率暴擊的設計。比如某個角色的大招有35%的機率使出暴擊，按照真隨機，那麼 連續暴擊的機率 0.35X0.35=12.25%。 
過高的暴擊機率對嚴謹的競技賽事來說，無疑是極其不公平的。因為一次人品爆發秒掉對方核心，可能直接決定賽事的成敗，而缺少了競技的成分。 
因此遊戲公司大都遵循 PRD機制PRD公式如下：

圖2 PRD公式 

其中，C是一個小於1的常數（演算法複雜，可以查表），N表示嘗試次數，P為機率。公式表明的意義是：  從事件發生起，每次不成功的嘗試都會增加1個固定值。 當觸發暴擊後，機率N重新計算。

圖3 預先算好的C值表

從表中，可以查到35%機率，使用的C約為16%，因此可以算的p(7)=16x7%=112%, 即7次必出現1次暴擊。  同時上來即  兩次暴擊的機率為 0.16x0.16 = 2.56%，大大降低了人品的干預。

3. 總結

機器學習發展這麼快，機率作為機器學習的底層邏輯，瞭解點機率知識不虧。

本文轉自：奈學開發者社群