贝叶斯的方法
贝叶斯方法的本质就是从结果推测出成因。
比如你怀疑老王是杀人凶手,但你没有证据,所以你怀疑度比较低,有一天,你从老王家搜出了凶器,这个证据会加重你对老王的怀疑。
这是个哲学问题。
如何量化证据和论断呢?贝叶斯提出什么叫“信”,什么叫“不信”,对某个假设的相信程度应该用一个概率来表示P(假设)。
P=1就是绝对相信,P=0就是绝对不信,P=15%就是有一点相信,这就是量化了。
P(假设|证据)这就叫条件概率。
P(A|B)的意思就是B事件真的条件下,A事件的概率。
B A
结果 -----------成因
带伞 -----------下雨
老王凶手-----老王家找到凶器
我们想算的是P(假设|证据) 这叫“逆概率”,从结果推出成因。
AB 都发生的概率有多大?
- 先算B,再算B发生情况下A的概率,P(B)*P(A|B)
- 先算A,再算A发生情况下B的概率,P(A)*P(B|A)
- 这两个应该相等P(B)*P(A|B)= P(A)*P(B|A)
P(A|B)= P(A)*P(B|A)/ P(B)
这就是贝叶斯公式。很容易理解吧。