对贝叶斯定理的理解

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*