在概率理论中,我们都学习过 贝叶斯理论: P(A|B) = P(A)P(B|A) / P(B)。它的意义在模式识别和卡曼滤波中是基础。理解它,是学习高级算法的前提。至于模式识别和卡曼滤波等很有价值的方法的超级意义,请您自己查阅。
写本文也帮助作者更好理解贝叶斯定律。若想学,请静心。
1. 理解贝叶斯理论:
这里有事件A: 下雨
事件B: 刮风
我们的问题是: 在刮风的条件下,下雨的概率是多少? 问题就被人们抽象成了:P(A|B)=?
要解决这个问题有两个途径:
a. 在所有刮风的日子里,记录是否下雨。——如果我们知道刮风同时下雨的天数,和刮风的天数。就可以解决。
但是这种方法的理论表达式就是:P(A|B) = P(AB) / P(B). 在P(AB)未知时,我们需要利用下面的方法。