1、从一个例子来了解贝叶斯?
假设一个学校里面人数总数为U,其中60%的学生为男生,40%的学生为女生,男生全部穿长裤,女生有一半穿长裤一半穿短裤
正向概率:随机选择一个学生,穿长裤的概率和穿裙子的概率分别是多大
逆向概率:迎面走来一个穿长裤的学生,推断其是女生的概率是多大
穿长裤的人数: U ∗ p ( b o y ) ∗ p ( p a n t s ∣ b o y ) + U ∗ p ( g i r l ) ∗ p ( p a n t s ∣ g i r l ) U*p(boy)*p(pants|boy)+U*p(girl)*p(pants|girl) U∗p(boy)∗p(pants∣boy)+U∗p(girl)∗p(pants∣girl)
穿长裤的女生人数: U ∗ p ( g i r l ) ∗ p ( p a n t s ∣ g i r l ) U*p(girl)*p(pants|girl) U∗p(girl)∗p(pants∣girl)
p ( g i r l ∣ p a n t s ) = p ( g i r l ) ∗ p ( p a n t s ∣ g i r l ) p ( b o y ) ∗ p ( p a n t s ∣ b o y ) + p ( g i r l ) ∗ p ( p a n t s ∣ g i r l ) p(girl|pants)=\frac{p(girl)*p(pants|girl)}{p(boy)*p(pants|boy)+p(girl)*p(pants|girl)} p(girl∣pants)=p(boy)∗p(pants∣boy)+p(girl)∗p(pants∣girl)p(girl)∗p(pants∣girl)
2、贝叶斯公式
p ( A ∣ B ) = p ( A ) ∗ p ( B ∣ A ) p ( B ) p(A|B)=\frac{p(A)*p(B|A)}{p(B)} p(A∣B)=p(B)p(A)∗p(B∣A)
条件概率: p ( A ∣ B ) p(A|B) p(A∣B),在B发生的条件下A发生的概率
联合概率: p ( A , B ) = p ( A ) ∗ p ( B ∣ A ) p(A,B)=p(A)*p(B|A) p(A,B)=p(A)∗p(B∣A),事件A和事件B都发生的概率
在机器学习的视角下,将A和B分别理解为
A:属于A类别
B:具备B特征
则有 p ( A 类 别 ∣ B 特 征 ) = p ( A 类 别 ) ∗ p ( B 特 征 ∣ A 类 别 ) p ( B 特 征 ) p(A类别|B特征)=\frac{p(A类别)*p(B特征|A类别)}{p(B特征)} p(A类别∣B特征)=p(B特征)p(A类别)∗p(B特征∣A类别)
假定需要确定2种类别标签,定义为 A 1 A_1 A1和 A 2 A_2 A2,一种放法是计算这两个标签的后验概率的比值
p ( A 1 类 别 ∣ B 特 征 ) p ( A 2 类 别 ∣ B 特 征 ) = p ( A 1 类 别 ) ∗ p ( B 特 征 ∣ A 1 类 别 ) p