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