贝叶斯公式的个人理解

我们来看下贝叶斯公式:

问题:假设有看到一个 现象B,然后,这个现象B是由事件Ai引发的概率是多少?

上面的问题有一点拗口是不是?按到正常思维应该是:有一个事件,这个事件引发某一个现象的概率是多少。。。

但是,事与愿违。。。。感觉烦也得搞定!!!!!!!!!!!!

我们再分析下,现在有事件A1,A2,。。。。。An,这些事件都可能引发现象B的发生,但是事件B发生是来自其中一个事件(假设Ai)的概率怎么算呢?

最普通的,框里有3个红球,7个蓝球,取出一个红球的概率是多少?  (3/(3+7)=0.3是吧)

上面的例子说明了一个问题就是,用我们的目标(红球)去除以我们总数就是概率!!!!!!!!!!!

现在目标是:     事件B发生是来自其中一个事件(假设Ai)的概率,就等于================事件Ai产生了B现象==================等于=========P(B|Ai)×P(Ai)

总数是:            事件B发生,是来自所有事件,就等于================所有事件产生了B现象概率(一个个算相加呗)==================等于=========sum(P(B|Ai)×P(Ai)),i=1,2,3.。。n

可以举一个打人的例子(切勿模仿):

张三是一个经常被李四,王二揍,李四打张三的概率是0.25,王二打张三概率是0.75,现在张三被打了,。。。。。。剩下自己脑补啦

时间: 2024-07-31 10:38:38

贝叶斯公式的个人理解的相关文章

贝叶斯公式的直观理解(先验概率/后验概率)

博客转自:https://www.cnblogs.com/yemanxiaozu/p/7680761.html 前言 以前在许学习贝叶斯方法的时候一直不得要领,什么先验概率,什么后验概率,完全是跟想象脱节的东西,今天在听喜马拉雅的音频的时候突然领悟到,贝叶斯老人家当时想到这么一种理论前提可能也是基于一种人的直觉. 先验概率:是   指根据  以往经验  和分析  得到的概率.[1] 意思是说我们人有一个常识,比如骰子,我们都知道概率是1/6,而且无数次重复实验也表明是这个数,这是一种我们人的常识

概率论学习小结(road map)

在最近学习模式识别和机器学习时经常会用到概率论的知识,索性重新复习一遍概率论的知识.学习概率论最重要的一点不是公式的记忆,而是对公式背后的含义的理解.(其实学习任何一门知识都是如此,但是相比高数等的抽象性来说,概率可能显得更"接地气") 曾经在大学时代数学中学的最差的一门课便是概率论,然而最近的学习中,在几经挣扎之后却渐渐找到了这门课的乐趣,在本科时候学习的那个小小的课本将概率论的趣味完全遮盖住了. 学习概率论首先要明白这门课的意义.概率论顾名思义是研究事件发生的可能性的学科,这里不使

贝叶斯定理,从白袜到飞机失事再到人工智能

人类很多时候的决策,也都是基于对于事物的预测.比如,“出门要不要带雨伞?”解答这个问题需要查天气预报.人类为了预测天气,古时用的是夜观星象,月亮长毛必有雨.而今天用的是统计预测和经验预测方法.但气象局天气预报也经常会发生不准的情况.佛系的说,世界上本没有绝对的东西,我们算的只是个概率. 在概率领域有一个很重要的学派——贝叶斯学派.其核心是贝叶斯定理,由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发明的.贝叶斯当时的论文只是对“逆概率”这个问题的一个直接的求解尝试,这哥

文科生都能看得懂的贝叶斯定理,从白袜到飞机失事再到人工智能

人类很多时候的决策,也都是基于对于事物的预测.比如,“出门要不要带雨伞?”解答这个问题需要查天气预报.人类为了预测天气,古时用的是夜观星象,月亮长毛必有雨.而今天用的是统计预测和经验预测方法.但气象局天气预报也经常会发生不准的情况.佛系的说,世界上本没有绝对的东西,我们算的只是个概率. 在概率领域有一个很重要的学派——贝叶斯学派.其核心是贝叶斯定理,由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发明的.贝叶斯当时的论文只是对“逆概率”这个问题的一个直接的求解尝试,这哥

贝叶斯公式的理解方式

贝叶斯公式是怎么来的? 我们还是使用 wikipedia 上的一个例子: 一所学校里面有 60% 的男生,40% 的女生.男生总是穿长裤,女生则一半穿长裤一半穿裙子.有了这些信息之后我们可以容易地计算“随机选取一个学生,他(她)穿长裤的概率和穿裙子的概率是多大”,这个就是前面说的“正向概率”的计算.然而,假设你走在校园中,迎面走来一个穿长裤的学生(很不幸的是你高度近似,你只看得见他(她)穿的是否长裤,而无法确定他(她)的性别),你能够推断出他(她)是男生的概率是多大吗? 一些认知科学的研究表明(

朴素贝叶斯分类算法:对贝叶斯公式的理解

为了完成自己的毕业论文,不得不接触这个朴素贝叶斯分类算法...真是惭愧啊(快毕业了才学这个...还初识) 哈哈,不过只要肯学什么时候都不会晚 要想完全理解这个算法,必须先去百度一下 原来朴素贝叶斯分类算法是借用到了贝叶斯定理,那什么是贝叶斯定理呢...不多BB, 先看一看什么是条件概率:P(A|B)=P(AB)/P(B) 其中P(A|B)指的是在B已经发生的情况下A发生的概率.而这个概率是由A和B同时发生的概率除以B发生的概率.点解???这是我第一次看到这个公式后的反应 当我看完这张图后,就差不

对全概率公式和贝叶斯公式的理解

对全概率公式和贝叶斯公式的理解 我该怎么来理解这2个公式呢?打个比方,假设学校的奖学金都采取申请制度,只有满足一定的条件你才能拿到这比奖学金.那么有哪些原因能够使你有可能拿到奖学金呢?1.三好学生,拿到奖学金的概率是p(A1)=0.3. 2.四好学生,拿到奖学金的概率是p(A2)=0.4.3.五好学生,拿到奖学金的概率是p(A3)=0.5.4.六好学生,拿到奖学金的概率是p(A4)=0.6.这些学生只能是三好四好五好六好学生种的一种,不能跨种类.这个学校学生是三好学生的概率是p(B1)=0.4,

【机器学习基本理论】详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解

https://mp.csdn.net/postedit/81664644 最大似然估计(Maximum likelihood estimation, 简称MLE)和最大后验概率估计(Maximum a posteriori estimation, 简称MAP)是很常用的两种参数估计方法,如果不理解这两种方法的思路,很容易弄混它们. 下文将详细说明MLE和MAP的思路与区别.先讲解MLE的相应知识. 但别急,我们先从概率和统计的区别讲起. 1概率和统计是一个东西吗?   概率(probabilt

机器学习基础系列--先验概率 后验概率 似然函数 最大似然估计(MLE) 最大后验概率(MAE) 以及贝叶斯公式的理解

目录 机器学习基础 1. 概率和统计 2. 先验概率 3. 后验概率 4. 似然函数 5. 有趣的野史--贝叶斯和似然之争-最大似然概率(MLE)-最大后验概率(MAE)-贝叶斯公式 总结:先验概率 后验概率以及似然函数的关系 机器学习基础 1. 概率和统计 概率(probabilty)和统计(statistics)看似两个相近的概念,其实研究的问题刚好相反. 顾名思义: 概率研究的问题是,已知一个模型和参数,怎么去预测这个模型产生的结果的特性(例如均值,方差,协方差等等). 统计研究的问题则相