分类分布

分类分布（Categorical Distribution）是离散概率分布的一种特例，专门用于建模具有有限个互斥类别的随机变量。在机器学习中，它作为分类任务的基础概率模型，描述了在给定类别集合下，每个类别出现的概率分布。不同于伯努利分布处理二值结果，分类分布可推广至多类别场景，其核心在于通过一组非负概率参数（和为1）刻画数据在离散空间中的统计特性，是逻辑回归、多项式回归等算法的理论基石。

在现代计算架构与机器学习生态中，分类分布扮演着连接数据观测与模型推断的关键角色。它不仅是处理文本标签、类别特征等离散数据的数学描述工具，更是构建监督学习分类器的核心组件。从传统的逻辑回归到现代的深度学习分类头（Classification Head），分类分布提供了从输入特征到离散输出标签的概率映射机制。其核心价值在于将复杂的分类问题转化为概率最大化问题，使得模型不仅能预测类别，还能输出置信度，从而支持不确定性量化、软分类及贝叶斯推断等高级应用，是构建可解释、高鲁棒性AI系统的必要环节。