【漫话机器学习系列】188.概率相关概念详解（Notions Of Probility）_在b发生的情况下a发生的概率和在b发生的情况下a不发生的概率的和为多少-CSDN博客

本文链接：https://blog.csdn.net/IT_ORACLE/article/details/146970638

概率论是数学的一个重要分支，用于研究随机事件的发生规律。概率的概念广泛应用于统计学、人工智能、金融、物理学等领域。本文基于图片中的信息，详细讲解概率的基本概念，包括频率解释和贝叶斯定理。

在概率论中，频率是用来描述某个事件在重复试验中发生的比例。即，如果我们进行大量的重复实验，某个特定事件发生的次数与实验总次数的比值可以用来估计该事件的概率。

设一个实验进行了 n 次，其中事件 A 发生了 m 次，则事件 A 的频率定义为：

$f(A) = \frac{m}{n}$

当试验次数 n 趋于无穷大时，这个比值趋于一个稳定的数值，即事件 A 的概率 P(A)：

$P(A) = \lim_{n \to \infty} \frac{m}{n}$

掷硬币实验
- 设我们掷一枚公平的硬币 n 次，其中正面朝上的次数为 m。
- 频率 f(正面) 逐渐趋于 0.5，即：
- 这表明，每次掷硬币的结果是随机的，但在大量实验后，正面朝上的概率会趋近于 50%。
骰子实验
- 设我们投掷一颗六面骰子，观察 6 点朝上的概率。
- 试验次数 n 越大，6 点朝上的频率会趋于 $\frac{1}{6}$ 。

尽管频率解释在实践中非常有用，但它有以下局限性：

贝叶斯定理是概率论中的一个基本定理，它描述了在已知先验概率的情况下，如何通过新信息更新事件的概率。这一理论广泛应用于机器学习、人工智能、医学诊断、金融预测等领域。

设事件 A 和 B 是两个相关的事件，且 P(B) > 0，那么贝叶斯定理表示为：

$P(A|B) = \frac{P(B|A) P(A)}{P(B)}$

其中：

假设某种疾病的患病率为 1%（先验概率 P(A)），某种检测方法的准确率为 90%（即患病者检测出阳性的概率 P(B∣A)=0.9，但该测试的误报率为 5%（健康人误检测为阳性的概率 $P(B|\neg A) = 0.05$ 。

如果一个人检测结果为阳性（事件 BBB 发生），我们想知道他实际患病的概率 P(A∣B)。

根据全概率公式：

$P(B) = P(B|A) P(A) + P(B|\neg A) P(\neg A)$
$P(B) = (0.9 \times 0.01) + (0.05 \times 0.99) = 0.059$

带入贝叶斯公式：

$P(A|B) = \frac{0.9 \times 0.01}{0.059} \approx 0.1525$

结果：即使检测呈阳性，患者实际患病的概率仅为 15.25%！ 这表明，误报率对检测结果的影响很大，在医学诊断中必须结合其他因素（如病史、进一步检测）进行分析。

在机器学习中，贝叶斯定理被广泛应用于朴素贝叶斯分类器，该算法基于特征的条件概率来进行分类。例如：

方法	解释	适用场景
频率方法	通过大量重复试验估计事件发生的概率	适用于可重复试验的情况，如抛硬币、掷骰子
贝叶斯方法	通过已有知识（先验概率）结合新数据进行概率更新	适用于医学诊断、金融预测、机器学习等