贝叶斯公式(Bayesian)的学习
贝叶斯公式(个人理解版)
P(X∣Y)=事件X在事件Y中发生的概率=事件X和Y同时发生的概率事件X发生的概率=P(XY)P(X)=P(X∣Y)×P(Y)P(X)P(X|Y)=事件X在事件Y中发生的概率=\frac{事件X和Y同时发生的概率}{事件X发生的概率}=\frac{P(XY)}{P(X)}=\frac{P(X|Y)\times P(Y)}{P(X)}P(X∣Y)=事件X在事件Y中发生的概率=事件X发生的概率事件X和Y同时发生的概率=P(X)P(XY)=P(X)P(X∣Y)×P(Y)
理解思路
宋浩老师的《概率论与数理统计》中对贝叶斯公式是这么举例说明的:
- 原因→结果
- 感冒→发烧
- 肺炎→发烧
- 白血病→发烧
- 失恋 →发烧
全概率公式中是根据原因计算出结果,即计算感冒的人有多少发烧,加上肺炎的人有多少发烧,加上白血病发烧,加上失恋发烧最终得出,不考虑原因的情况下发烧的概率:
每种病症的概率已知:P(感冒)、P(肺炎)、P(白血病)、P(失恋)P(感冒)、P(肺炎)、P(白血病)、P(失恋)P(感冒)、P(肺炎)、P(白血病)、P(失恋) 。
每种病症发烧的概率也已知:P(发烧∣感冒)、P(发烧∣肺炎)、P(发烧∣白血病)、P(发烧∣失恋)P(发烧|感冒)、P(发烧|肺炎)、P(发烧|白血病)、P(发烧|失恋)P(发烧∣感冒)、P(发烧∣肺炎)、P(发烧∣白血病)、P(发烧∣失恋)。
计算:
发烧的概率:P(发烧)=P(感冒)P(发烧∣感冒)+P(肺炎)P(发烧∣肺炎)+P(白血病)P(发烧∣白血病)+P(失恋)P(发烧∣失恋)P(发烧)=P(感冒)P(发烧|感冒)+P(肺炎)P(发烧|肺炎)+P(白血病)P(发烧|白血病)+P(失恋)P(发烧|失恋)P(发烧)=P(感冒)P(发烧∣感冒)+P(肺炎)P(发烧∣肺炎)+P(白血病)P(发烧∣白血病)+P(失恋)P(发烧∣失恋)
贝叶斯公式要做的是,通过结果计算原因,即我们知道一个人发烧了,分别计算他感冒引起发烧的概率P(感冒∣发烧)P(感冒|发烧)P(感冒∣发烧)、肺炎引起发烧的概率P(肺炎∣发烧)P(肺炎|发烧)P(肺炎∣发烧)、白血病引起发烧的概率P(白血病∣发烧)P(白血病|发烧)P(白血病∣发烧)和失恋引起发烧的概率P(失恋∣发烧)P(失恋|发烧)P(失恋∣发烧)。
每种病症的概率已知:P(感冒)、P(肺炎)、P(白血病)、P(失恋)P(感冒)、P(肺炎)、P(白血病)、P(失恋)P(感冒)、P(肺炎)、P(白血病)、P(失恋) 。
每种病症发烧的概率也已知:P(发烧∣感冒)、P(发烧∣肺炎)、P(发烧∣白血病)、P(发烧∣失恋)P(发烧|感冒)、P(发烧|肺炎)、P(发烧|白血病)、P(发烧|失恋)P(发烧∣感冒)、P(发烧∣肺炎)、P(发烧∣白血病)、P(发烧∣失恋)。
发烧的概率已知:P(发烧)P(发烧)P(发烧)
计算:
发烧是因为感冒的概率:P(感冒∣发烧)=P(感冒⋅发烧)P(发烧)=P(感冒)P(发烧∣感冒)P(发烧)P(感冒|发烧)=\frac {P(感冒·发烧)}{P(发烧)}=\frac {P(感冒)P(发烧|感冒)}{P(发烧)}P(感冒∣发烧)=P(发烧)P(感冒⋅发烧)=P(发烧)P(感冒)P(发烧∣感冒)
发烧是因为肺炎的概率:P(肺炎∣发烧)=P(肺炎⋅发烧)P(发烧)=P(肺炎)P(发烧∣肺炎)P(发烧)P(肺炎|发烧)=\frac {P(肺炎·发烧)}{P(发烧)}=\frac {P(肺炎)P(发烧|肺炎)}{P(发烧)}P(肺炎∣发烧)=P(发烧)P(肺炎⋅发烧)=P(发烧)P(肺炎)P(发烧∣肺炎)
发烧是因为白血病的概率:P(白血病∣发烧)=P(白血病⋅发烧)P(发烧)=P(白血病)P(发烧∣白血病)P(发烧)P(白血病|发烧)=\frac {P(白血病·发烧)}{P(发烧)}=\frac {P(白血病)P(发烧|白血病)}{P(发烧)}P(白血病∣发烧)=P(发烧)P(白血病⋅发烧)=P(发烧)P(白血病)P(发烧∣白血病)
发烧是因为失恋的概率:P(失恋∣发烧)=P(失恋⋅发烧)P(发烧)=P(失恋)P(发烧∣失恋)P(发烧)P(失恋|发烧)=\frac {P(失恋·发烧)}{P(发烧)}=\frac {P(失恋)P(发烧|失恋)}{P(发烧)}P(失恋∣发烧)=P(发烧)P(失恋⋅发烧)=P(发烧)P(失恋)P(发烧∣失恋)
推算过程
P(X,Y)=P(Y)P(X∣Y)P(X,Y)=P(Y)P(X|Y)P(X,Y)=P(Y)P(X∣Y) 或 P(X)P(Y∣X)P(X)P(Y|X)P(X)P(Y∣X)
所以 P(Y)P(X∣Y)=P(X)P(Y∣X)P(Y)P(X|Y)=P(X)P(Y|X)P(Y)P(X∣Y)=P(X)P(Y∣X)
所以 P(X∣Y)=P(X∣Y)×P(X)P(Y)P(X|Y)=\frac{P(X|Y)\times P(X)}{P(Y)}P(X∣Y)=P(Y)P(X∣Y)×P(X)
贝叶斯公式(Bayesian)的学习相关推荐
- 自然语言处理NLP星空智能对话机器人系列:贝叶斯Bayesian Transformer课程片段1到片段7
Coherence is everything you need! – Gavin Wang(星空智能对话机器人作者,AI通用双线思考法创始人) 贝叶斯神经网络(Bayesian Neural Net ...
- (2018-2021年)Uncertainty 相关SOTA文献笔记整理
Uncertainty 文献笔记 ACL Word-Level Uncertainty Estimation for Black-Box Text Classifiers using RNNs Uns ...
- 基于脑功率谱检测飞行过程认知网络的脑机接口
飞行员的疲劳驾驶会导致严重的事故,尤其是在大型飞行任务中.目前还没有一种有效的手段去监测飞行过程飞行员大脑的疲劳状态. 飞行员在驾驶过程中,主要有4个认知状态发生变化的阶段, 1.起飞和下降过程中,飞 ...
- 贝叶斯学习(Bayesian Learning)基础篇
Bayesian Learning 前言 Motivation and Introduction Think about Spam Filtering. 先验概率 后验概率 似然度 边际概率 Basi ...
- 贝叶斯统计学习笔记|Bayesian Statistics|Metropolis-Hastings与Gibbs Sampling
贝叶斯统计学习笔记|Bayesian Statistics|Metropolis-Hastings与Gibbs Sampling (一) Metropolis-Hastings(MH) 现要从目标分布 ...
- Bayesian facerevisited : a joint formulation 学习笔记
本文转自:http://m.blog.csdn.net/blog/xp215774576/45025145 Bayesian facerevisited : a joint formulation A ...
- Bayesian face revisited : a joint formulation 论文学习
Bayesian facerevisited : a joint formulation A joint formulation: x = u + ε 这篇论文做了以下几件事情: 1. 回顾由Ba ...
- 深度学习中的不确定性:What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision
转载 : https://zhuanlan.zhihu.com/p/98756147 原文:What Uncertainties Do We Need in Bayesian Deep Learnin ...
- 先验概率、后验概率、贝叶斯公式_学习笔记
先验概率(prior probability): 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,它往往作为"由因求果"问题中的"因"出现的概率. 在贝叶斯统计推断中,不确定数量的先验概率分布 ...
最新文章
- MATLAB中导入数据:importdata函数
- Yii CDbCriteria 常用方法
- oracle中国授权机构查询,oracle授权查询
- .net core实现跨域
- Java 阶段面试 知识点合集 - 我们到底能走多远系列(15)
- C++设计模式——观察者模式(转)
- nyist 488 素数环
- 经验总结:完整做完一款游戏需要经历哪些流程?
- 实现HTTP下载的几种方式
- java base64图片计算图片大小
- 智能合约安全漏洞检测技术研究综述——常见漏洞简述
- 最基本财务基础知识,财务知识基础来源
- vsftpd命令详解
- Balancer均衡器时段设置
- k-近邻算法1(kNN)使用kNN算法改进约会网站的配对效果
- 【女装2018新款潮碎花半身裙韩版气质两件套裙子】http://m.tb.cn/h.3aHr1L7
- ddn高性能服务器,全球IO500最新榜单公布,Intel、DDN、浪潮等位列前5
- 怎么安装python3.7.3_Python 3.7.0安装教程(附安装包) | 我爱分享网
- MPU6500功能说明
- Splashtop 与 Acronis 集成,提供可扩展的远程支持