表白公式:贝叶斯公式

表白公式:贝叶斯公式把P（市省）和P（省市）联系起来的公式叫做贝叶斯公式。让我们看看贝叶斯公式是什么样子的。用A代表省，用B代表市。把它放入公式中，即P（城市C）和P（城市C）可以连接。很高兴看到这种联系，但是这个公式的意义是什么，它只是一个随机公式，为什么它被称为贝叶斯公式而不是陈培公式？贝叶斯公式以托马斯巴耶斯（托马斯巴耶斯定理，1701-1761）命名，是以巴耶斯为神父和当代的，也是一位业余数学家，而牛顿、贝叶斯理论没有得到重视，其原因是把贝叶斯引入了主观因素的统计中，被称为先验概率，它是数学中的一个不可数，数学应该是客观的，怎样才能加入主观因素。因此，直到1950年左右，贝叶斯理论才被广泛接受，当时人们发现增加先验概率更好。一个理论可以解决许多问题，因此可以被广泛接受。贝叶斯理论解决了什么问题？为什么数学理论能增加主观因素？如果你问一个硬币抛头的概率，很多人会说是的，这是1/2，但这是一个给定值，对于一个理想的硬币，头和尾是公平的，但如果硬币做错了什么，那就不是了。你怎么知道概率是多少？有人想做一个掷硬币实验来确定，例如，一枚硬币的五次翻转，计算头和尾的数量，如果所有的五次翻转都是头，我们能说头的概率是100%？有人说，5次翻页太小了，所以你总是可以计算出超过5000次翻页的概率，答案是肯定的，但是这种估计概率的方法太昂贵了。事实上，在现实生活中，有许多类似的例子不能通过实验来确定概率。例如，小明预测明天下雨的概率是30%，他不能通过计算100次的下雨次数来计算下雨的概率。贝叶斯理论可以解决有限信息条件下的概率估计问题。贝叶斯理论的思想是在主观判断的基础上估计一个值（先验概率），然后根据观察到的新信息不断修改（概率函数）。那么让我们继续讨论贝叶斯公式，让我们试着从省市的角度来理解它，这有点难理解，因为这个例子看起来我们掌握了所有的信息。这是另一个需要理解的例子。从前有一位伟大的上帝，他教会了我辩护的理论。他说如果女神从来没有一个人出去购物和吃饭，这意味着女神根本不喜欢你。辩护成功的概率很低，反之亦然。我们把这个理论作为概率的一个例子，首先，对已知和未知信息的分析：1）解决这个问题：像你这样的女神，2）头脑中一个事件的已知条件：晚餐通常是单独出去和女神，所以对于B事件，P女神（A|b）经常是独自外出而你吃（b）事件发生后，女神像你一样的概率。所以让我们把它放到贝叶斯公式中，只是为了理解它。贝叶斯可分为三部分：先验概率、概率函数和后验概率。我们称P（A）为先验概率，即根据以往经验和分析得出的概率。在这种情况下，这是一个主观判断的概率，女神喜欢你，而不知道她经常出去购物与你单独。由于这是一种主观判断，我们可以给出任何价值，例如，高福帅可以将概率设置为高达80%或低达50%，这完全基于个人经验。这也是贝叶斯公式的主观成分。2）概率函数p（b_a）/p（b）称为“likelyhood”，是一个调整因子，即新信息b带来的调整，使先验概率更接近真实概率。对于新信息带来的调整效果，取决于因子的值。如果“概率函数”p（b_a）/p（b）>，1意味着“先验概率”增加，事件a的概率增加，例如女神很少外出购物和与他人一起吃饭，那么这个调整系数特别有用，必须大于1。如果“概率函数”=1，意味着事件b不帮助确定事件a的概率，例如女神偶尔和其他人一起出去吃饭，然后和女神一起出去吃饭，不会给我们带来任何信息，这对确定判断女神是否喜欢你；如果概率函数小于1，这意味着先前的概率降低了，事件A的概率降低了，例如，知道女神实际上有她喜欢的人，那么信息直接降低了可能性。女神很喜欢你。至于为什么似然函数的公式看起来像这样，稍后将解释。3）后验概率P（a_b）称为“后验概率”，即B事件发生后，我们将重新评估A事件的概率。在这种情况下，女神喜欢你的可能性在她和你一起出去吃饭之后被重新评估了。通过这个例子，我们了解了贝叶斯公式，并知道贝叶斯公式可以通过似然函数不断调整主观概率来获得后验概率，使预测更加准确，这也是为什么它仍然停留在数学圈中的原因。主观因素。正因为如此，贝叶斯理论可以出现在所有需要概率预测的地方，如垃圾邮件过滤、中文分词、疾病检测等，特别是在机器学习领域，贝叶斯理论是一个过去的门槛。表白公式:贝叶斯公式