哲学视角下的机器学习以及贝叶斯公式的类别与模型和数据之间的关系

机器学习的理解

1.哲学先导:

因果关系和知识表现为实相的之间的联系。

人们认识因果关系，是要从当下的时空中的物质的发生的作用得到的，我们称为经验，经验往往受限于时空。

人们的先天被赋予的能力叫先验感应能力，比如直观，知觉。

先验感知能力是感应时空和表象的基础，也就是说先验感应能力是感应世界的通道。

人的先验逻辑能力，就是认识到表象在时空的连续变化的能力。

通过先验逻辑，可以把握时空中的因果关系。

人的理性能力是建立在感应和逻辑思维的能力上的，通过经验上的比对，通过抽象思维能力，归纳成类。

那么抽象思维是什么？先进行感知的采集经验上的素材，后经过抽象思维加工，形成更一般的概念。

既是，理性的抽象思维可以塑造概念。

概念就是理念，可以描述现象和表象，那么理念世界就是通过理性塑造。

对象就是现实的单个实际，是在时空中表现的。

对象之间的不同作用，我们称为后验的因果关系

通过人的理性和先验逻辑能力进行对象之间的因果关系的描述。

既是知识通过理性和经验的调和得到。

2.数学推论:贝叶斯定理

因此知识和经验的范畴是机器学习的基础。

----------------------得证因果关系成立-------------------------------------

那么经验，在数学上如何表示呢，我们把经验称为E，知识称为K，经验是数据的表达，形如人类（身高，体重）

这些属性可以称为对象的描述，比如描述一个人，可以说（165，70kg），这些数字可以描述确定发生的事实。

可以用X=[x1,x2.....xn]这样的描述，表示一个经验，y=[y1,y2......y3]表示出一个类别，同时表示一种知识。

如果我们不知道先验的分布规律，我们可以了解到形如X和Y的表格得到P(C|X)的近似概率p(x)。

2.0条件概率

独立发生的概率是p(A)

p(A)=M1/N

p(B)=M2/N

条件概率的计算:

那么在B发生时，A发生的概率p(A|B)是多少

因为B发生了，又和A相关，所以A∩B的事件

因为必须建立在p(B)的样本空间上既是Q:p(A|B)=p(A∩B)/p(B)=p(AB)/p(B)=M12/M2

因为A发生了，又和B相关 p(B|A)=p(A∩B)/p(A)=p(AB)/p(A)=M12/M1

因此

p(AB)=p(B|A)*p(A)

代入Q: p(A|B)=p(B|A)*p(A)/p(B)

Q即为贝叶斯公式:

因为p(A)和p(B)互相独立

p(A)和p(B)为先验概率

p(B|A),由A先发生的事件得到的p(B)后验概率

2.1

贝叶斯的数学公式

p(A):A为先验概率

p(B|A),由A先发生的事件得到的p(B)后验概率

贝叶斯公式意在说明，A和B有着一定的因果关系的概率是多少。

因果关系就是当A发生后，B也发生，我们说A现象和B现象存在在时空下的因果关系。

同时当A经验发生时，和B知识的相关性的概率。既是A经验和B知识的相关性。

可以知道在经验上的知识p(B|A)，通过知识下的经验p(A|B)和知识得到数据的分布规律，再相除所有A的样本概率。

C是类别，X是向量

M是模型，X是数据