贝叶斯思维
风 先生
这个作者很懒,什么都没留下…
展开
-
贝叶斯思维——chapter3(估计)
贝叶斯思维——chapter3(估计)写在前面: 库文件链接: thinkbayes.py3.1 骰子问题假设我有5颗骰子,分别为4面,6面,8面,12面,20面。 现在我从里面随机选取一个,投掷以后得到6,问我最有可能取出的是哪个骰子? 我们通过一下3个步骤来解决这个问题: 选择假设的表示方法 选择数据的表示方法 编写似然度函数 现在我们用[4,6,8,12,20]来表示假设:suite =原创 2016-09-10 20:59:12 · 1514 阅读 · 0 评论 -
贝叶斯思维——chapter4(估计进阶)
贝叶斯思维——chapter4(估计进阶)写在前面: 库文件链接:thinkbayes.py4.1 欧元问题问题:《信息论:推理和学习算法》中,有过这样一个问题:“当硬币以边缘转动250次,得到正面140次,反面110次。”,“统计学声明称:如果这是一个均匀的硬币,这样的结果出现的可能性小于7%。”上述结果是否对“硬币偏心而非均匀”提供了证据?解:我们将采取一下步骤来回答这个问题。 估计该硬币正面原创 2016-09-21 21:21:49 · 1370 阅读 · 3 评论 -
贝叶斯思维——chapter5(胜率和加数)
5.1 胜率通常用[0,1]之间的数字来表示概率,不过这并非唯一的方法。也可用博彩业的另一种概率表示形式——胜率(odd)。 胜率是一个事件可能发生的概率与不发生的概率比值。 假如球队A同球队B比赛,获胜的概率为75%,我会说他们的胜率是3:1。 但当概率较低,通常称之为赔率(odd against),而不是胜率(odds in favor)。例子中球队B获胜的概率为25%,我会说他们的赔率原创 2017-12-22 00:46:39 · 2244 阅读 · 2 评论 -
朴素贝叶斯理论推导与三种常见模型
1. 朴素贝叶斯的理论基础 贝叶斯定理、特征条件独立假设就是朴素贝叶斯的两个重要的理论基础。 1.1 贝叶斯定理 P(A|B)表示事件B已经发生的前提下,事件A发生的概率,叫做事件B发生下事件A的条件概率。其基本求解公式为:P(A|B)=P(AB)P(B)P(A|B)=P(AB)P(B)P(A|B)=P(AB)P(B) 贝叶斯定理便是基于条件概率,通过P(A|B)来求P(B|A): ...转载 2018-07-03 00:28:27 · 1837 阅读 · 0 评论