先验概率和后验概率

个人觉得,对于抽象的问题,先举一个形象的例子,再与抽象的概念相结合,会更方便理解和记忆。

形象例子 [1] :

  先验概率:投掷一个骰子,点数为1的概率是1/6,这就是先验概率。

  后验概率:吃一道菜,你发现它是酸的,那么你猜这道菜加了醋的可能性为80%,这就是后验概率。

抽象概念 [2] :

  先验概率:根据以往经验和分析得到的概率。

  后验概率:事情已经发生,要求这件事情发生的原因是由某个因素引起的可能性的大小。

Reference:

[1] https://www.cnblogs.com/yemanxiaozu/p/7680761.html.

[2] 百度百科-先验概率。

原文地址:https://www.cnblogs.com/wumh7/p/9345984.html

时间: 2024-11-07 13:42:46

先验概率和后验概率的相关文章

先验概率、后验概率、似然估计,似然函数、贝叶斯公式

联合概率的乘法公式: (如果随机变量是独立的,则)  由乘法公式可得条件概率公式:, , 全概率公式:,其中 (,则,则可轻易推导出上式) 贝叶斯公式: 又名后验概率公式.逆概率公式:后验概率=似然函数×先验概率/证据因子.解释如下,假设我们根据“手臂是否很长”这个随机变量(取值为“手臂很长”或“手臂不长”)的观测样本数据来分析远处一个生物是猩猩类别还是人类类别(假设总共只有这2种类别).我们身处一个人迹罕至的深山老林里,且之前就有很多报道说这里有猩猩出没,所以无需观测样本数据就知道是猩猩的先验

先验概率与后验概率的区别(老迷惑了)

   此为Bayesian先生,敬仰吧,同志们!     先验(A priori:又译:先天)在拉丁文中指“来自先前的东西”,或稍稍引申指“在经验之前”.近代西方传统中,认为先验指无需经验或先于经验获得的知识.它通常与后验知识相比较,后验意指“在经验之后”,需要经验.这一区分来自于中世纪逻辑所区分的两种论证,从原因到结果的论证称为“先验的”,而从结果到原因的论证称为“后验的”. 先验概率是指根据以往经验和分析得到的概率,如全概率公式 中的 ,它往往作为“由因求果”问题中的“因”出现.后验概率是指

先验概率、后验概率以及共轭先验

在贝叶斯学派的观点中,先验概率.后验概率以及共轭分布的概念非常重要.而在机器学习中,我们阅读很多资料时也要频繁地跟他们打交道.所以理清这些概念很有必要. 欢迎关注白马负金羁的博客 http://blog.csdn.net/baimafujinji,为保证公式.图表得以正确显示,强烈建议你从该地址上查看原版博文.本博客主要关注方向包括:数字图像处理.算法设计与分析.数据结构.机器学习.数据挖掘.统计分析方法.自然语言处理. 贝叶斯定理:一个例子 其实我们在之前介绍朴素贝叶斯分类器时就介绍过它,如果

先验概率、后验概率、似然函数与机器学习中概率模型(如逻辑回归)的关系理解

看了好多书籍和博客,讲先验后验.贝叶斯公式.两大学派.概率模型.或是逻辑回归,讲的一个比一个清楚 ,但是联系起来却理解不能 基本概念如下 先验概率:一个事件发生的概率 \[P(y)\] 后验概率:一个事件在另一个事件发生条件下的条件概率 \[P(y|x)\] 贝叶斯公式:联合概率公式直接能推导出来的,代表什么意义?不放在具体问题中代表不了任何意义 \[P(y|x) = \frac{{P(x|y)P(y)}}{{P(x)}}\] 拿一个实际的例子,如果用阴天预测是否下雨 先验概率:下雨的概率 \[

[转] 先验概率与后验概率&&贝叶斯与似然函数

from: https://blog.csdn.net/shenxiaoming77/article/details/77505549 先验概率和后验概率 教科书上的解释总是太绕了.其实举个例子大家就明白这两个东西了. 假设我们出门堵车的可能因素有两个(就是假设而已,别当真):车辆太多和交通事故. 堵车的概率就是先验概率 . 那么如果我们出门之前我们听到新闻说今天路上出了个交通事故,那么我们想算一下堵车的概率,这个就叫做条件概率 .也就是P(堵车|交通事故).这是有因求果. 如果我们已经出了门,

先验概率、后验概率、条件概率

今天看了 Larry Wasserman写的 All of Statistics中的第一章,第一章主要讲概率,其中最主要的就是贝叶斯公式.要了解贝叶斯公式,就得知道全概率公式: 通俗的讲,先验概率就是事情尚未发生前,我们对该事发生概率的估计,例如全概率公式中P(B)就是先验概率,求解方法有很多种,全概率公式是一种,也可以根据经验等,例如抛一枚硬币头向上的概率为0.5. 后验概率则是表示在事情已经发生的条件下,要求该事发生原因是有某个因素引起的可能性的大小. 先验概率是在缺乏某个事实的情况下描述一

【转载】先验概率与后验概率,生成模型与判别模型

[注]事情还没有发生,要求这件事情发生的可能性的大小,是先验概率.事情已经发生,要求这件事情发生的原因是由某个因素引起的可能性的大小,是后验概率 Generative Model 与 Discriminative Model [摘要]    - 生成模型(Generative Model) :无穷样本==>概率密度模型 = 产生模型==>预测- 判别模型(Discriminative Model):有限样本==>判别函数 = 预测模型==>预测 [简介] 简单的说,假设o是观察值,

先验概率与后验概率

先验:从原因到结果:后验:从结果到原因. 先验概率:根据以往经验和分析得到的概率.. 后验概率:事情已经发生,要求这件事情发生的原因是由某个因素引起的可能性的大小. 举例理解(1): 先验--根据若干年的统计(经验)或者气候(常识),某地方下雨的概率: 似然--下雨(果)的时候有乌云(因/证据/观察的数据)的概率,即已经有了果,对证据发生的可能性描述: 后验--根据天上有乌云(原因或者证据/观察数据),下雨(结果)的概率: 后验 ~ 先验*似然 : 存在下雨的可能(先验),下雨之前会有乌云(似然

[转] 先验概率and后验概率

from: https://blog.csdn.net/yangang908/article/details/62215209 and : https://my.oschina.net/xiaoluobutou/blog/688245 先验概率: 事件发生前的预判概率.可以是基于历史数据的统计,可以由背景常识得出,也可以是人的主观观点给出.一般都是单独事件概率,如P(x),P(y). 后验概率: 事件发生后求的反向条件概率:或者说,基于先验概率求得的反向条件概率.概率形式与条件概率相同. 条件概