女神和吊丝：从贝叶斯公式看经验学习——贝叶斯理论(1)

本文链接：https://blog.csdn.net/qq_40022670/article/details/118889244

贝叶斯公式是：

$P(A_{i}/B) = \frac{P(A_{i}B)}{P(B)} = \frac{P(A_{i})P(B/A_{i})}{\sum_{j=1}^{n}P(A_{j})P(B/A_{j})}$

怎样深刻理解这个公式而不是死记硬背呢？

回答这个问题首先要弄明白贝叶斯公式到底要达到什么目的。贝叶斯公式要达到的目的是实现经验学习，也就是说，根据现有的经验调整人们对不同事物发生概率的预期。

举个栗子：女神到底喜不喜欢你呢？根据贝叶斯理论，先要搞清楚女神喜欢一个吊丝的先验概率，即上面公式中的 $P(A_{1})$ ，这里假设 $P(A_{1})$ 是女神喜欢屌丝的概率， $P(A_{2}) = 1-P(A_{1})$ 是她不喜欢吊丝的概率。

什么是先验概率，就是在没有任何表现或者证据情况下的事物的概率。拿上面的例子来说就是统计全社会所有女神，看看她们中间喜欢吊丝的有多少从而计算出来的概率。这个概率代表的是一般性的情况，是有新的证据和表现出现之前的概率，所以称为“先”验概率。

与之相对应的就是后验概率。比如说女神喜欢吊丝的先验概率 $P(A_{1}) = 0.0000001$ ，但是今天女神忽然对你笑了一下，这是一个新的现象和证据，她喜欢你的概率还会是0.0000001吗？当然不是，你应该根据新的情况调整女神喜欢你的概率，这个概率就称为后验概率。因为它发生在新证据、新情况、新表现出现之后，所以称为“后”验概率。

所以所谓先验概率、后验概率，指的是同一个事物在现象发生之前以及之后的概率。从先验概率发展到后验概率代表了人类不断调整自己认识的过程。

那后验概率怎么计算呢？贝叶斯公式就是解决这个问题。现在女神对你笑了，你要统计或者计算以下两个条件概率：

女神喜欢你的情况下，对你笑的概率即 $P(B/A_{1})$ ，假设是0.9999。这个概率称为条件概率，它指的是在某个条件下某个事物发生的概率。
女神不喜欢你的情况下，对你笑的概率即 $P(B/A_{2})$ ，假设是0.002，也就是说，如果女神不喜欢你，她会很少对你笑的。但偶尔可能也会笑一下，比如你表现的非常像郭德纲。