Python--贝叶斯架构解决统计推断问题--Thinkbayes

Python 实现贝叶斯架构

coding准备：需要python载入thinkbayes.py，Github：https://github.com/AllenDowney/ThinkBayes/blob/master/code/thinkbayes.py

贝叶斯架构

主体coding：

class Cookie（Pmf）：

```python
    def __init__(self,hypos) ###给每个hypo都赋予相同的先验概率
        Pmf.__init__(self)
        for hypo in hypos:
	    self.Set(hypo,1)
	self.Normalize()

    def Update(self,data): ###更新观测，改变相应概率
        for hypo in self.Values():
            like = self.Likelihood(data,hypo)
            self.Mult(hypo,like)
        self.Normalize()
        
    mixes={
        'Bow1':dict(vanilla=0.75, chocolate=0.25),
        'Bow2':dict(vanilla=0.5, chocolate=0.5),
        } ###用dict描述概率背景
    
    def Likelihood(self,data,hypo): ###计算似然度
        mix = self.mixes[hypo] ## Bow1 or Bow2?
        like = mix[data]       ## vanilla or chocolate?
        return like

hypos = ['Bow1','Bow2']
pmf = Cookie(hypos)

pmf.Update('vanilla')

for hypo, prob in pmf.Items():
	print(hypo,prob)

> Bow1 0.6
  Bow2 0.4

这个框架的一个好处是它可以推广到多个元素的情况：

dataset = ['vanilla','vanilla']
for data in dataset:    
    pmf.Update(data)

for hypo, prob in pmf.Items():
    print(hypo,prob)

> Bow1 0.692
  Bow2 0.308

这个code为我们提供了解决很多贝叶斯问题的一个框架

Morty Hall Problem:

from thinkbayes import Pmf
pmf = Pmf()

class monty(Pmf):
    
    def __init__(self,hypos