情景一:
“天不会下雨的,历史上这里下雨的概率是20%”----先验概率
“但阴云漠漠时,下雨的概率是80%”----后验概率
情景二:
“飞飞别急着走啊,历史上酒桌上死人的概率只有5%“----先验概率
”可他是曹操啊,梦里都杀人“----后验概率
公式:
-
A表示边缘概率。
-
P(A | B):表示后验概率
-
P(B| A ):表示条件概率
由于:
这个问题本质上就是对的最大优化问题,所以引入似然函数协助。
条件概率可以被似然函数表示:
最终可以得到:
- :根据经验选择,你瞎猜参数服从啥分布模型
- :在参数为的前提下。实验结果为的可能性
- :引入数据集后,重新更新的模型参数
- :学习结果为以后,你觉得是多少
先验——根据若干年的统计(经验)或者气候(常识),某地方下雨(因)的概率;
似然/类条件概率——在下雨(因)的情况下,观测到了乌云(果)的概率,即原因已知时,结果出现的概率;
后验——根据天上有乌云(果),得到的下雨(因)的概率,即给定结果估计原因的概率;
后验 ~ 先验*似然 ,即:
通过现在有乌云(果)推断下雨概率(因)*后验*
~ 下雨(因)的概率 *先验*
* 下雨(因)之前会有乌云(果)*似然*