贝叶斯定理

看了两天的贝叶斯理论，终于算是理解一些，现在写下来自己的收获。

1.贝叶斯公式

$P(A|B)=P(A) \frac {P(B|A)}{P(B}$，我认为，这样的形式才能帮助我们更好的取理解贝叶斯公式，而不是将贝叶斯公式看作是由条件概率推导而来的公式。

公式的理解：（1）$P(A)$就是所谓的先验概率，什么是先验概率，就是你最早知道的概率，或者是什么都不知道的时候的概率，此时一般都为$\frac 1 2$。

（2）$\frac {P(B|A)}{P(B}$，成为似然因子，Likelihood，也叫做调整因子，我觉得把这个叫做知识更合适，为什呢，往下看。

（3）$P(A|B)$是后验概率，什么是后验概率？后验概率就是在我们啥都不知道的时候，用先验概率来表示A事件的概率，但是当我们通过B事件与A事件的联系学到知识（就是上面的知识）的时候，此时，我我们就用后验概率来表示知识。

2.贝叶斯公式的例子

知道结果找原因，这是贝叶斯公式的常见解释，虽然不贴切，但是有助于我们理解贝叶斯公式。比如机器和产品，我们可以将机器想为原因，产品想为结果。良好机器概率$\frac 3 4$，良好机器生产出好产品的概率为0.9，故障机器生产出好产品的概率为0.3.

（1）生产出好产品的概率？告诉我们原因，现在来求结果，用全概率公式。设机器为良好机器为A，产品为好产品为事件B，P（B)=P(A)P(B|A)+P(-A)P(-A|B)=0.75.

（2）生产出的第一件产品为好产品，那么求良好机器的概率。首先问，良好机器的概率为多少，四分之三的啊，题目说了啊，对，没错，这就是先验概率。但是现在已经生产出了一件好产品，再问你良好机器的概率，这就是后验概率。为什么呢，我们有知识啊，这个知识不是B事件，而是B事件和A事件的联系。既然有了后验概率，和先验概率相比无非是变小，变大，或者是不变，这个比例因子就是$\frac {P(B|A)}{P(B}$，很好算。我想用更白话的语言解释一下，$\frac {P(B|A)}{P(B}=1$，那么就是说在A发生的条件下B发生的概率和B单独发生的概率是一致的，也就是说A和B之间无联系，那么先验等于后验，因为学习到了没用的知识。$\frac {P(B|A)}{P(B}<1$,说明那么就是说在A发生的条件下B发生的概率小于B单独发生的概率，也就是说后验概率小于先验概率，学习到了不利的知识，A的发生不利于B的发生，那么B的发生也不会利于A的发生。

3.我对贝叶斯公式的理解

我认为贝叶斯公式其实不必要理解为知道结果找原因，更加接近本质的理解是，首先我们知道一件事情的概率，当我们学习到了新知识，我们就去不断的修正这件事情的概率，关键就是利用新知识去不断修正已有的结论。

 

4.参考

1.贝叶斯理论

2.贝叶斯推断及其互联网应用

 

转载于:https://www.cnblogs.com/aaronsw/p/7078240.html