40.凉鞋问题 11月21日

已于 2022-11-22 09:21:36 修改
阅读量300 收藏
点赞数 1
分类专栏： lifelong learning 文章标签： 概率论 统计学
于 2022-11-21 18:41:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_57656758/article/details/127970164
版权

目录

1.题目概述

2.解题过程

3.总结归纳​​​​​​​

1.题目概述

在夏季，某公园男性穿凉鞋的概率为 \frac{1}{2} ，女性穿凉鞋的概率为 \frac{2}{3} ，并且该公园中男女比例通常为 2:1 ，问题：若你在公园中随机遇到一个穿凉鞋的人，请问他的性别为男性或女性的概率分别为多少？ 

2.解题过程

3.总结归纳

个人感想

(1)贝叶斯公式完成先验概率公式到后验概率公式的转化。 

(2)如果问题求“判断该人是男性还是女性”依然转为为概率问题，求解思路：比较P(Y=y_{men}|X=x_{1}) 和 P(Y=y_{women}|X=x_{1}) 的大小，先求P(X=x_{1}|Y=y_{men/women})，使用题目给出的条件or大量样本观测得到的or专家标记的先验概率P(Y=y_{men}) 和 P(Y=y_{women}) ；可以不用求解P(X=x_{1}) 最后得出​​​​​​​P(Y=y_{men/women}|X=x_{1})

[ X=x_{1}为穿凉鞋，X=x_{0}为未穿凉鞋 ]

(3)求解垃圾邮件分类问题时，X​​​​​​​的变量个数与预先定义的字典单词数一致，x_{1}表示邮件中的单词在字典中出现，x_{0}表示邮件中的单词未在字典中出现，(根据自己习惯随意标记)

动手为ChatGPT打造第二大脑
08-25 6294
!text_splitter = SpacyTextSplitter(pipeline="zh_core_web_sm", chunk_size=200) # 定义分句器parser = SimpleNodeParser(text_splitter=text_splitter) # 定义节点解析器documents = SimpleDirectoryReader('data').load_data() # 读取数据。
DRF实战1 - 环境搭建
buchiyu的博客
01-30 1万+
1 - 项目环境搭建 1、前端代码的运行 进入meiduo_mall_admin文件目录下，执行如下指令 npm run dev 出现如下图所示，表示运行成功： 2、后端代码的运行 1、导入虚拟环境文件 pip install -r requeriments.txt # requirements.txt 可以通过pip freeze来生成 2、进入数据库创建meiduo数据库 mysql -uroot -p create database meiduo charset=utf8; 3、导入数据
贝叶斯定理
qq_58146842的博客
09-15 639
在夏季，某公园男性穿凉鞋的概率为 1/2 ，女性穿凉鞋的概率为 2/3 ，并且该公园中男女比例通常为 2:1 ，问题：若你在公园中随机遇到一个穿凉鞋的人，请问他的性别为男性或女性的概率分别为多少？ 先验概率 设事件A1为遇到的人穿凉鞋 事件A2为遇到的人不穿凉鞋 事件B1为遇到的人为男性 事件B2为遇到的人为女性 而一个人的性别与是否穿凉鞋这两个事件之间是相互独立的。于是我们可以看到该例子中存在四个先验概率：P(A1) 与P(A2)， P(B1)与P(B2) 由于男女生的比例是2...
机器学习实战（五）朴素贝叶斯算法
陌若安生的博客
07-16 2597
文章目录一、朴素贝叶斯是什么二、朴素贝叶斯的思想三、朴素贝叶斯的推导四、参数估计五、朴素贝叶斯算法过程六、朴素贝叶斯模型七、朴素贝叶斯算法分析八、朴素贝叶斯的实际应用场景 一、朴素贝叶斯是什么 朴素贝叶斯法（NaiveBayes）是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入x ，利用贝叶斯...
2021-09-15
lpf
09-15 246
学习任务： 朴素贝叶斯法 在夏季，某公园男性穿凉鞋的概率为 1/2 ，女性穿凉鞋的概率为 2/3 ，并且该公园中男女比例通常为 2:1 ，问题：若你在公园中随机遇到一个穿凉鞋的人，请问他的性别为男性或女性的概率分别为多少？ 解析： 男穿拖鞋： P(A1) = (1/2) 女穿拖鞋： P(A2) = (2/3) 男女比例 3:2 男 ： P(B1) = (2/3) 女 ： P(B2) = (1/3) 穿拖鞋的概率：P(C1) = P(A1)P(A2)+P(B1)P(B2) = (5/9)
朴素贝叶斯及经典实例讲解
大数据技术派
11-12 9509
原文连接：https://www.cnblogs.com/lliuye/p/9178090.html https://www.cnblogs.com/huangyc/p/10327209.html朴素贝叶斯法（Naive Bayes）是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入 x ，利用贝...
贝叶斯公式
qq_32172681的博客
08-01 1万+
1、贝叶斯要解决的问题 贝叶斯公式就是已知先验概率，估计后验概率。 2、贝叶斯公式 条件概率公式： 全概率公式： 贝叶斯公式： 其中：p(w)：为先验概率，表示每种类别分布的概率；：类条件概率，表示在某种类别前提下，某事发生的概率；而为后验概率，表示某事发生了，并且它属于某一类别的概率；p(x)为全概率。 有了这个后验概率，我们就可以对样本进行分类，后验概率越大...
服饰首饰日语词汇--4级以上.doc
01-25
7. **旱伞**（ひがさ【日傘】）：晴天使用的遮阳伞。 8. **折叠伞**（おりたたみがさ【折り畳み傘】）：可以折叠收起的伞。 9. **领带**（ネクタイ）：男性正装中常见的颈部装饰品。 10. **手帕**（ハンカチ）：小...
题库2012年知识竞赛复习题.doc
09-11
6. 《中华人民共和国安全生产法》发布时间：这部法律于2002年11月1日正式发布实施，是指导我国安全生产工作的重要法律依据。 7. 隐患整改的"三定一落实"：指定人、定时、定方法进行整改，并确保整改措施的落实，...
高级售后客户服务处理专员题库
qq_640433727的博客
01-25 3419
高级售后客户服务处理专员题库 作为做运营喵的你是否还在为拿不到阿里认证证书烦恼呢？小编而为你排忧解难,亲手试水的呕心整理的题库奉上,愿小伙伴们都能顺利拿到证书~~升职加薪,走向人生高峰! 自动化退款策略有哪些维度来做策略的配置？ 准确性 主张相对方承担 质量问题 只限普通订单，付款后48小时内依然未产生第一条揽收记录 只限定制商品订单，24小时内未产生第一条揽收记录 直接告知买家退货已经拒收，不做任何处理 支持退款40%，最多不超过500元 支持退款40%，且不受500元上限限制
朴素贝叶斯20210916
临溪而渔
09-17 239
朴素贝叶斯与贝叶斯的显著不同就是朴素贝叶斯进行了独立性假设，假设各个特征之间不相关。 P(分类∣特征)=P(分类)P(特征∣分类)P(特征) P(分类|特征)=\frac{P(分类)P(特征|分类)}{P(特征)} P(分类∣特征)=P(特征)P(分类)P(特征∣分类)​ 后验概率=先验概率*调整因子 例题：在夏季，某公园男性穿凉鞋的概率为1/2，女性穿凉鞋的概率为2/3，并且该公园中男女比例通常为2:1。问：若你在公园中随机遇到一个穿凉鞋的人，请问他的性别为男性或女性的概率分别为多少？ 解：设事件A为{公
极大似然估计详解
热门推荐
知行流浪
05-28 39万+
极大似然估计         以前多次接触过极大似然估计，但一直都不太明白到底什么原理，最近在看贝叶斯分类，对极大似然估计有了新的认识，总结如下： 贝叶斯决策         首先来看贝叶斯分类，我们都知道经典的贝叶斯公式：         其中：p(w)：为先验概率，表示每种类别分布的概率；：类条件概率，表示在某种类别前提下，某事发生的概率；而为后验概率，表示某事发生
作业..................
n00bk1ng的博客
09-15 191
简单算循环实现 代码： import numpy import math import random import matplotlib.pyplot as plt x = 0.0000 y = 1.0000 for i in range(0, 10): y = 1.1 * y - 0.2 * x / y x = x + 0.1 print(y) print(x) 效果图： 贝叶斯 问题描述：在夏季，某公园男性穿凉鞋概率为1/2, 女性穿凉鞋概率为2/3, 并且该公园中男女比例通常为2:1，
机器学习笔记05：朴素贝叶斯
fafagege11520的博客
11-04 343
朴素贝叶斯 文章目录朴素贝叶斯1. 概率基础2.fit、transform、fit_transform区别3. 朴素贝叶斯（Naive Bayesian）4. 分类模型的评估5. 模型选择和调优 1. 概率基础 案例：垃圾邮件的分类 概率：一件事情发生的可能性。 条件：所有特征之间是相互独立的 题目： 在夏季，某公园男性穿凉鞋的概率为 12 ，女性穿凉鞋的概率为 23 ，并且该公园中男女比例通常为 2:1 ，问题：若你在公园中随机遇到一个穿凉鞋的人，请问他的性别为男性或女性的概率分别为多少？ 先验概率
贝叶斯公式求解公园凉鞋问题
loist91的博客
09-16 230
设看到的游客为女性的情况为 AAA，看到的游客为男性的情况为BBB，看到的游客穿着凉鞋的情况为CCC。 那么由题干可知，看到的游客为穿着凉鞋的女性的概率为： P(C∣A)=12P(C|A) = {1\over 2}P(C∣A)=21​ ， 看到的游客为穿着凉鞋的男性的概率为： P(C∣B)=23P(C|B) = {2\over 3}P(C∣B)=32​ ； 而公园中游客的女性出现的概率为： P(A)=13P(A) = {1\over 3}P(A)=31​ ， 公园中游客的女性出现的概率为： P(B)=23P
朴素贝叶斯公式
Mrjdk的博客
09-15 578
在夏季，某公园男性穿凉鞋的概率为 1/2 ，女性穿凉鞋的概率为 2/3 ，并且该公园中男女比例通常为 2:1 ，问题：若你在公园中随机遇到一个穿凉鞋的人，请问他的性别为男性或女性的概率分别为多少？ 在这里，我们设事件 Y(y=men)为性别为男， Y(y=women)为，性别为女； X(x=1)为穿凉鞋， X(x=0)为不穿凉鞋； 由题易知X和Y为独立事件，互不干扰。 首先我们先来求 P(X(x=1)) 和 P(X(x=0)) : 由全概率公式： 可知， 穿拖鞋的概率为 人 是 男性且穿拖鞋 的概率加上 人
泰勒展开式
最新发布
SZ170110231的博客
05-11 755
常用的 泰勒展开式（Taylor series expansion）是指把一个函数在某点的邻域内展开成幂级数的形式。以函数 f(x)f(x)f(x) 在点 aaa 处展开为例，其泰勒展开式为：f(x)=f(a)+f′(a)(x−a)+f′′(a)2!(x−a)2+f(3)(a)3!(x−a)3+⋯+f(n)(a)n!(x−a)n+⋯ f(x) = f(a) + f'(a)(x-a) + \frac{f''(a)}{2!}(x-a)^2 + \frac{f^{(3)}(a)}{3!}(x-a)^3 + \cd
鞅与停时 - 一种特别的概率论问题
Deep_Kevin的娱乐空间
05-07 775
例如字符串一匹配完我们就停止，那么这个事件的停止时间只依赖于停止之前的所有状态（所打的字符），而不依赖于停止之后的所有状态（还没有打的字符），那么就说明这个停止时间。的概念：停时，通俗而言，一个事件停止的时间，并且这个事件停止的时间只依赖于停止之前的所有状态。那么我们也很容易可以完成类似的题目，只要产生字符的概率是独立的，且产生相同字符的概率是相等的，就可以用所有。是停时的时候，可以用鞅的性质和可选停止定理来证明，带入赌资的期望和带出的钱的期望是相等的。的概率积的倒数之和来算出产生该字符串的期望。
概统期末复习--速成
2302_79340870的博客
05-06 654
两种分析 两个解法解题方法求未知参数已知f(x,y)，反求参数，用规范性——区域内的不定积分=1注意函数区域D画对，这样积分上下限才是对的二重积分：一个积分积完，结果直接代入到下一重积分内，化简即得求区域密度区域要写成该题要求和题目的区域的交集y的上下限，穿y——从下至上求边缘密度函数给对方定积分，就会把对方消掉求概率值不能代0，但是函数可以为0，所以别漏掉积分上下限：y从下到上。x从左到右边缘密度的每一个区域都要重新求条件密度=联合密度/边缘密度独立与否。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值