先验概率和后验概率理解
对于统计学只是皮毛认识,在学校时根本不重视,如今机器学习几乎以统计学为基础发展起来的,头疼的紧,如今还得琢磨基础概念。
1、我自己的理解:
1)先验:统计历史上的经验而知当下发生的概率;
2)后验:当下由因及果的概率;
2、网上有个例子说的透彻:
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;
2)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;
3)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)~ 通过现在有乌云推断下雨概率(后验);
3、再来一例:
先验概率可理解为统计概率,后验概率可理解为条件概率。
------------------------------------------------------------------
设定背景:酒至半酣,忽阴云漠漠,骤雨将至。
情景一:
“天不会下雨的,历史上这里下雨的概率是20%”----先验概率
“但阴云漠漠时,下雨的概率是80%”----后验概率
情景二:
“飞飞别急着走啊,历史上酒桌上死人的概率只有5%“----先验概率
”可他是曹操啊,梦里都杀人“----后验概率
4、吃瓜群众的例子
用“瓜熟蒂落”这个因果例子,从概率(probability)的角度说一下,
先验概率,就是常识、经验所透露出的“因”的概率,即瓜熟的概率。应该很清楚。
后验概率,就是在知道“果”之后,去推测“因”的概率,也就是说,如果已经知道瓜蒂脱落,那么瓜熟的概率是多少。后验和先验的关系可以通过贝叶斯公式来求。也就是:
P(瓜熟 | 已知蒂落)=P(瓜熟)×P(蒂落 | 瓜熟)/ P(蒂落)
似然函数,是根据已知结果去推测固有性质的可能性(likelihood),是对固有性质的拟合程度,所以不能称为概率。在这里就是说,不要管什么瓜熟的概率,只care瓜熟与蒂落的关系。如果蒂落了,那么对瓜熟这一属性的拟合程度有多大。似然函数,一般写成L(瓜熟 | 已知蒂落),和后验概率非常像,区别在于似然函数把瓜熟看成一个肯定存在的属性,而后验概率把瓜熟看成一个随机变量。
---
再扯一扯似然函数和条件概率的关系。似然函数就是条件概率的逆反。意为:
L(瓜熟 | 已知蒂落)= C × P(蒂落 | 瓜熟),C是常数。具体来说,现在有1000个瓜熟了,落了800个,那条件概率是0.8。那我也可以说,这1000个瓜都熟的可能性是0.8C。
注意,之所以加个常数项,是因为似然函数的具体值没有意义,只有看它的相对大小或者两个似然值的比率才有意义,后面还有例子。
----------------------------------------------------------------------------------------------------
同理,如果理解上面的意义,分布就是一“串”概率。
先验分布:现在常识不但告诉我们瓜熟的概率,也说明了瓜青、瓜烂的概率
后验分布:在知道蒂落之后,瓜青、瓜熟、瓜烂的概率都是多少
似然函数:在知道蒂落的情形下,如果以瓜青为必然属性,它的可能性是多少?如果以瓜熟为必然属性,它的可能性是多少?如果以瓜烂为必然属性,它的可能性是多少?似然函数不是分布,只是对上述三种情形下各自的可能性描述。
那么我们把这三者结合起来,就可以得到:后验分布 正比于 先验分布 × 似然函数。先验就是设定一种情形,似然就是看这种情形下发生的可能性,两者合起来就是后验的概率。
至于似然估计:
就是不管先验和后验那一套,只看似然函数,现在蒂落了,可能有瓜青、瓜熟、瓜烂,这三种情况都有个似然值(L(瓜青):0.6、L(瓜熟):0.8、L(瓜烂):0.7),我们采用最大的那个,即瓜熟,这个时候假定瓜熟为必然属性是最有可能的。
5、分布解:
先验分布:根据一般的经验认为随机变量应该满足的分布
后验分布:通过当前训练数据修正的随机变量的分布,比先验分布更符合当前数据
似然估计:已知训练数据,给定了模型,通过让似然性极大化估计模型参数的一种方法
后验分布往往是基于先验分布和极大似然估计计算出来的。
---------------------
作者:fjssharpsword
来源:CSDN
原文:https://blog.csdn.net/fjssharpsword/article/details/72356277
版权声明:本文为博主原创文章,转载请附上博文链接!
先验概率和后验概率理解相关推荐
- 机器学习知识点(二十七)先验概率和后验概率理解
对于统计学只是皮毛认识,在学校时根本不重视,如今机器学习几乎以统计学为基础发展起来的,头疼的紧,如今还得琢磨基础概念. 1.我自己的理解: 1)先验:统计历史上的经验而知当下发生的概率: 2)后验:当 ...
- 数学-先验概率和后验概率和一系列概率公式理解
自用. 一. 先验概率和后验概率理解 这两个都是描述某个结论H发生的概率. 假如我当前什么证据都没有,就根据之前的人生经历,思索下说P(H)=0.99,认为结论H发生的可能高达99%,那这时的P(H) ...
- 如何理解先验概率和后验概率
如何理解先验概率和后验概率 前言 先验概率的分类 先验概率与后验概率的区别 理解 前言 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,后验意思是指"在经验之 ...
- 透彻理解贝叶斯定理:先验概率、后验概率
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 ...
- 贝叶斯算法(关于先验概率和后验概率的理解)
先验概率与后验概率的定义 先验概率(prior probability)是指根据以往经验和分析得到的概率,如全概率公式,它往往作为"由因求果"问题中的"因"出现 ...
- 五分钟了解先验概率和后验概率
五分钟了解先验概率和后验概率 本文摘自我的公众号[车子的心智探索] 欢迎关注我! 不理解先验概率和后验概率?莫慌,本文可以帮你. 从面积的角度看概率 在说正题之前,咱们从面积的角度认识一下概率. 拿掷 ...
- 先验概率和后验概率那点事儿
前几天因为要写粒子滤波相关的文章,而里面的公式让我写理论总结的时候都想哭.然而大部分粒子滤波的程序写的都比较简单明了,我也不知道是不是根本程序就没按照理论来实现.主要是里面的概率论公式,尤其以什么先验 ...
- 先验概率与后验概率是什么
一.先验概率与后验概率 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. 先验概率是指根据以往经验和分析得 ...
- 先验概率、后验概率、似然估计三者的区别与联系
在机器学习日渐风靡于全世界的今天,概率论与数理统计作为机器学习的关键理论越来越体现出它的重要地位.本文模仿<机器学习>中周志华老师的举例,以西瓜的品质好坏为例,对三个概念:先验概率.后验概 ...
最新文章
- nginx生成自定义证书
- MySQL 备份和恢复
- Redis学习笔记~分布式的Pub/Sub模式
- maven 报错一站式解决方案
- [动画工具] Animations
- thinkphp利用模型通用数据编辑添加和删除实例
- python帮助文档在哪_python文档之查看帮助文档方法
- 网络爬虫之java基础(Ⅰ)
- 【基础问题】微信小程序 - 腾讯云 - 一站式方案 - PHP - wafer 和 wafer2的区别和wafer2的实践
- .NET中常见的内存泄露问题——GC、委托事件和弱引用
- kafka/producer.lua:168: attempt to perform arithme
- ps抠图怎么放大图片_ps中在使用抠图工具时如何用快捷键移动放大的原始图片?...
- 华为手机更换第三方桌面
- 联邦学习:加密算法Paillier,Affine,IterativeAffine
- 如何使用计算机对文件修改密码,文件夹怎么设置密码?怎么给文件夹设置密码?...
- 人工神经网络与遗传算法,神经网络和算法的关系
- 计算机显存影响什么,老司机告诉你显存是怎样影响电脑速度的
- 哪款 Linux 才是更好的 CentOS 替代品?
- Homekit智能开关
- Nginx配置中的if判断