注:A表示事情的结果,B={B1,B2…}表示事情发生的原因
- 条件概率
在原因B发生的条件下,结果A发生的概率:
- 全概率
假如结果A发生的原因有B1,B2…等多种原因,则全概率公式如下:
- 先验概率
事情还没有发生,根据以往经验和分析得到的概率,在事情发生之前,得到的事情(结果)发生的概率。比如,一次抛硬币实验,我们认为正面朝上的概率是0.5,这就是一种先验概率,在抛硬币前,我们只有常识。 - 类条件概率
就是已知一个条件下,结果发生的概率。条件概率实际上把一个完整的问题集合S通过特征进行了划分,划分成S1/S2/S3…。类条件概率中的类指的是把造成结果的所有原因一 一进行列举,分别讨论。
贝叶斯公式如下:
- 后验概率
事情已经发生了,结果的发生的原因有很多,判断结果的发生是由哪个原因引起的概率
贝叶斯公式如下:
如果我们把事件A看做 “结果”,把诸事件B1,B2…看做导致这个结果的可能的“原因”,则可以形象地把全概率公式看做成为“由原因推结果”。 而贝叶斯公式则恰好相反,其作用于“由结果推原因”:现在有一个“结果”A以发生,在众多可能的“原因”中,到底是哪一个导致了这结果。
举个例子:
桌子上如果有一块肉喝一瓶醋,你如果吃了一块肉,然后你觉得是酸的,那你觉得肉里加了醋的概率有多大?你说:80%可能性加了醋。OK,你已经进行了一次后验概率的猜测。没错,就这么简单。1
- 进一步思考1
那么这个P(原因1导致结果)和P(结果|原因1)之间到底有什么联系呢?让我们举一个图像识别的例子
假如给你一些图片,这些图片中有的图上有动物的角,这些图片占了1/10(即先验概率),且已知在有角的条件下是犀牛的概率是0.8(类条件概率1,注意这个概率互补的概率是有角条件下不是犀牛的概率),已知在无角条件下是犀牛概率的是0.05(类条件概率2),现在拿起一张图,发现是一张犀牛的图,那么这张图上带角的概率有多大(求后验概率)
由图中公式可知P(图片上由动物的角|是犀牛) = 0.80.1/(0.80.1+0.05*0.9)=0.64
可以看到P(图片上由动物的角且是犀牛)=0.08与P(是犀牛|图片上由动物的角)=0.8之间差别非常大