通俗易懂用一章图可视化解释贝叶斯公式求解后验概率计算过程

我们可以用以下一个例子通俗易懂地解释贝叶斯公式的意义和他的计算过程。
首先我们来给出场景，假设：
一个学校开设有两个专业：工科和商科；
学校内的学生性格分为两种：内向和外向；
我们用变量A来表示学生的专业，A=1表示专业是工科，A=0表示专业是商科；同样的，我们使用变量B来表示学生的性格，B=1表示内向，B=0表示外向。我们假设工科生的比例为P(A)=1/3，则商科生的比例P(A‾\overline{A}A)=1-P(A)；假设内向的人的比例为P(B)=1/4，则外向人的比例为P(B‾\overline{B}B)=1-P(B)。我们把P(A)和P(B)称为先验概率，也就是图中用实心的黑框线标注的部分。
现在，我们发现工科生人群中，有一半的人是内向的，用条件概率可以记为P(B|A)=1/2，我们把这个概率成为是似然概率，在图中用虚线黑框表示。
现在，我们已经知道了P(A) P(B) P(B|A)，如果现在我们在该校中随机找了一名幸运观众，发现他是内向型的人，请问他是工科生还是商科生的概率是多少？这个问题就是求解后验概率P(A|B)的问题，也就是图中黑色点框表示的部分。
我们可以使用贝叶斯公式求解，即：P(A∣B)=P(A)⋅P(B∣A)P(B)=23P(A|B)=\frac{P(A)\cdot P(B|A)}{P(B)}=\frac{2}{3}P(A∣B)=P(B)P(A)⋅P(B∣A)=32
这个计算还是比较简单的，现在，我们再问一个问题，如果我们随机抽取的观众是外向的，那么他是工科生的概率是多少呢？这个时候，我们借助下面的图形计算似乎会比较直观了：P(A⋅B)=P(A)⋅P(B∣A)=16P(A \cdot B)=P(A)\cdot P(B|A)=\frac{1}{6}P(A⋅B)=P(A)⋅P(B∣A)=61P(A⋅B‾)=P(A)−P(A⋅B)=16P(A\cdot \overline B)=P(A)-P(A\cdot B)=\frac{1}{6}P(A⋅B)=P(A)−P(A⋅B)=61P(A‾⋅B‾)=P(A‾)−P(A‾⋅B)=P(A‾)−(P(B)−P(A⋅B))=712P(\overline A \cdot \overline B)=P(\overline A)-P(\overline A \cdot B)=P(\overline A )-(P(B)-P(A\cdot B))=\frac{7}{12}P(A⋅B)=P(A)−P(A⋅B)=P(A)−(P(B)−P(A⋅B))=127P(A‾∣B‾)=P(A‾⋅B‾)P(B‾)=79P(\overline A|\overline B)=\frac{P(\overline A \cdot \overline B)}{P(\overline B)}=\frac{7}{9}P(A∣B)=P(B)P(A⋅B)=97P(A∣B‾)=1−P(A‾∣B‾)=29P(A| \overline B)=1-P(\overline A |\overline B)=\frac{2}{9}P(A∣B)=1−P(A∣B)=92
我们可以看到，这题的难点其实在P(A‾⋅B‾)P(\overline A \cdot \overline B)P(A⋅B)的计算。
然而，如果我们画出以下图像的话，使用面积法就可以轻松的求得答案。

2020年9月24日更新

我们可以进一步细分先验概率（Prior Probability）的子类，我们把A的先验概率成为类先验概率（CPP Class Prior Probability），把B的先验概率成为预测子先验概率（PPP，Predictor Prior Probability）。那么贝叶斯公式可以理解成：
CL=CPP∗LP/PPPCL=CPP*LP/PPPCL=CPP∗LP/PPP
我们可以认为CL是（类class的）后验概率，LP是似然概率。这个公式非常容易记忆，可以作为记忆法来使用。这么说来，后验概率就是知道预测子求类别。而似然概率则是知道类求预测子。有点意思。

通俗易懂用一章图可视化解释贝叶斯公式求解后验概率计算过程相关推荐

python科赫曲线绘制正方形_Python数据处理从零开始----第四章（可视化）（14）使用seaborn绘制热图...
目录 Python数据处理从零开始----第四章(可视化)①③多变量绘图 Python数据处理从零开始----第四章(可视化)(14)使用seaborn绘制热图 seaborn.heatmapHeat ...
Echarts数据可视化第4章 Echarts可视化图 4.7 漏斗图
Echarts数据可视化文章目录 Echarts数据可视化第4章 Echarts可视化图 4.7 漏斗图 Echarts数据可视化:入门.实战与进阶第4章 Echarts可视化图 4.7 漏斗图 ...
Python金融大数据分析——第五章数据可视化（1）二维绘图
目录第五章数据可视化 5.1 二维绘图 5.1.1 一维数据集 5.1.2 二维数据集 5.1.3绘制其他图表 5.1.3.1绘制散点图 5.1.3.2 直方图 5.1.3.3 箱型图第五章数 ...
【机器学习基础】支持向量机超参数的可视化解释
作者 | Soner Yıldırım 编译 | VK 来源 | Towards Datas Science 支持向量机(SVM)是一种应用广泛的有监督机器学习算法.它主要用于分类任务,但也适用于回归 ...
图机器学习（Graph Machine Learning）- 第二章图机器学习简介 Graph Machine Learning
第二章图机器学习简介 Graph Machine Learning 文章目录第二章图机器学习简介 Graph Machine Learning 前言 1. 环境要求Technical requi ...
收藏 | PyTorch模型训练特征图可视化（TensorboardX）
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达仅作学术分享,不代表本公众号立场,侵权联系删除转载于:作者丨Pa ...
收藏 | 深度学习中神经网络的可视化解释！
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:计算机视觉联盟第一个卷积神经网络是Alexander ...
《TensorFlow技术解析与实战》——第3章　可视化TensorFlow 3.1PlayGround
本节书摘来自异步社区<TensorFlow技术解析与实战>一书中的第3章,第3.1节,作者李嘉璇,更多章节内容可以访问云栖社区"异步社区"公众号查看第3章可视化Te ...
数字图像处理：第二章图象获取、显示、表示与处理
第二章图象获取.显示.表示与处理图象获取是图象的数字化过程,显示则是将数字图象转化为适合人们使用的形式,而处理是通过软件对图象进行变换操作的过程. 目录图象获取图象显示图象表示图象处理参 ...

通俗易懂用一章图可视化解释贝叶斯公式求解后验概率计算过程

2020年9月24日更新

通俗易懂用一章图可视化解释贝叶斯公式求解后验概率计算过程相关推荐

最新文章

热门文章