先验概率、似然函数与后验概率

标签：机器学习

---

先验概率 Prior probability

在贝叶斯统计中，先验概率分布，即关于某个变量 p的概率分布，是在获得某些信息或者依据前，对 p的不确定性进行猜测。例如， p可以是抢火车票开始时，抢到某一车次的概率。这是对不确定性（而不是随机性）赋予一个量化的数值的表征，这个量化数值可以是一个参数，或者是一个潜在的变量。

先验概率仅仅依赖于主观上的经验估计，也就是事先根据已有的知识的推断。

在应用贝叶斯理论时，通常将先验概率乘以似然函数（likelihoodfunction），再归一化后，得到后验概率分布，后验概率分布即在已知给定的数据后，对不确定性的条件分布。

似然函数 likelihood function

似然函数（likelihood function），也称作似然，是一个关于统计模型参数的函数。也就是这个函数中自变量是统计模型的参数。对于结果 x ，在参数集合 θ 上的似然，就是在给定这些参数值的基础上，观察到的结果的概率 L(θ|x)=P(x|θ) 。也就是说，似然是关于参数的函数，在参数给定的条件下，对于观察到的 x 的值的条件分布。

似然函数在统计推测中发挥重要的作用，因为它是关于统计参数的函数，所以可以用来评估一组统计的参数，也就是说在一组统计方案的参数中，可以用似然函数做筛选。在非正式的语境下，“似然”会和“概率”混着用；但是严格区分的话，在统计上，二者是有不同。

不同就在于，观察值 x 与参数 θ 的不同的角色。概率是用于描述一个函数，这个函数是在给定参数值的情况下的关于观察值的函数。例如，已知一个硬币是均匀的（在抛落中，正反面的概率相等），那连续10次正面朝上的概率是多少？这是个概率。

而似然是用于在给定一个观察值时，关于用于描述参数的情况。例如，如果一个硬币在10次抛落中正面均朝上，那硬币是均匀的（在抛落中，正反面的概率相等）概率是多少？这里用了概率这个词，但是实质上是“可能性”，也就是似然了。

后验概率 Posterior probability

后验概率是关于随机事件或者不确定性断言的条件概率，是在相关证据或者背景给定并纳入考虑之后的条件概率。后验概率分布就是未知量作为随机变量的概率分布，并且是在基于实验或者调查所获得的信息上的条件分布。“后验”在这里意思是，考虑相关事件已经被检视并且能够得到一些信息。

后验概率是关于参数 θ 在给定的证据信息 X 下的概率： p(θ|x) 。

若对比后验概率和似然函数，似然函数是在给定参数下的证据信息 X 的概率分布： p(x|θ) 。

二者有如下关系：

我们用 p(θ) 表示概率分布函数，用 p(x|θ) 表示观测值 x 的似然函数。后验概率定义如下：

$$p(θ|x)={p(x|θ)p(θ)\over p(x)}$$

鉴于分母不变，可以表达成如下正比关系：

$$Posteriorprobability∝Likelihood×Prior probability$$

来先举一个例子：
如果有一所学校，有60%是男生和40%是女生。女生穿裤子与裙子的数量相同；所有男生穿裤子。一个观察者，随机从远处看到一名学生，观察者只能看到该学生穿裤子。那么该学生是女生的概率是多少？这里题目中观察者比如近似眼看直接不清性别，或者从装扮上看不出。

答案可以用贝叶斯定理来算。
用事件 G 表示观察到的学生是女生，用事件 T 表示观察到的学生穿裤子。于是，现在要计算 P(G|T) ，我们需要知道：

P(G) ，表示一个学生是女生的概率，这是在没有任何其他信息下的概率。这也就是我们说的先验概率。由于观察者随机看到一名学生，意味着所有的学生都可能被看到，女生在全体学生中的占比是 40 ，所以概率是 0.4 。

P(B) ，是学生不是女生的概率，也就是学生是男生的概率，也就是在没有其他任何信息的情况下，学生是男生的先验概率。 B 事件是 G 事件的互补的事件，这个比例是 60 ，也即 0.6 。

P(T|G) 是在女生中穿裤子的概率，根据题目描述，是相同的 0.5 。这也是 T 事件的概率，given G 事件。

P(T|B) 是在男生中穿裤子的概率，这个值是1。

P(T) 是学生穿裤子的概率，即任意选一个学生，在没有其他信息的情况下，TA穿裤子的概率。如果要计算的话，那可以计算出所有穿裤子的学生的数量，除以总数，总数可以假设为常数 C ，但是最后会被约去。或者根据全概率公式

$$P(T)=P(T|G)P(G)+P(T|B)P(B)$$ 计算得到 $P(T)=0.5×0.4+1×0.6=0.8$。
基于以上所有信息，如果观察到一个穿裤子的学生，并且是女生的概率是
$P(G|T)={P(T|G)P(G)\over P(T)}=0.5×0.4/0.8=0.25$.

这就是贝叶斯公式的一个示例，男女相当于参数的选择。如果是两个相关的属性，我们只知道其中一些的概率分布情况，就可以根据贝叶斯公式来计算其他的一些后验概率的情况。