![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
统计学
浮点型队友
志闲少欲,心安不惧,形劳而不倦,气从以顺,各从其欲,皆得所愿
展开
-
用贝叶斯公式计算甲箱子被选的概率(附计算过程以及代码)
直接用套用贝叶斯公式来计算。但必须定义清楚A,B事件。令事件B为选择甲箱子,令事件A为得到8红4绿。from scipy.special import perm, combc = comb(12,8)P_AB=c*pow(0.7,8)*pow(0.3,4)print("P(A|B)=",P_AB)P_B=0.5print("P(B)=",P_B)P_A=0.5*c*(pow(0.7,8)*pow(0.3,4)+pow(0.7,4)*pow(0.3,8))print("P(A)=",原创 2019-06-13 01:51:03 · 1122 阅读 · 0 评论 -
求解极大似然估计,一共有几步?
前提知识阅读本文之前,需要了解似然函数相关的概念,详见另一篇文章 如何通俗地理解“最大似然估计法”?最大似然估计的目的就是:利用已知的样本结果,反推最有可能(最大概率)导致这样结果的参数值。极大似然估计的原理极大似然估计是建立在极大似然原理的基础上的一个统计方法,是概率论在统计学中的应用。极大似然估计提供了一种给定观察数据来评估模型参数的方法,即:“模型已定,参数未知”。通过若干次试验,观...原创 2019-06-08 21:52:38 · 7490 阅读 · 0 评论 -
如何通俗地理解概率论中的「极大似然估计法」?
我们假设硬币有两面,一面是“花”,一面是“字”。一般来说,我们都觉得硬币是公平的,也就是“花”和“字”出现的概率是差不多的。如果我扔了100次硬币,100次出现的都是“花”。在这样的事实下,我觉得似乎硬币的参数不正常。极有可能两面都是“花”!这种通过事实,反过来猜测硬币的情况,就是似然。通过事实,推断出最有可能的硬币情况,就是最大似然估计。1 概率vs似然让我们先来比较下概率和似然...转载 2019-06-08 17:15:54 · 19251 阅读 · 13 评论 -
使用pandas和seaborn绘图(数据可视化)
上次发了一篇 matplotlib API 可视化入门 ,matplotlib实际上是一种比较低级的工具。pandas自身就有内置可视化方法,用于简化从DataFrame和Series绘制图形。另一个库seaborn(https://seaborn.pydata.org/),由Michael Waskom创建的静态图形库。Seaborn简化了许多常见可视类型的创建。线型图Series和Dat...原创 2019-06-16 22:37:35 · 6417 阅读 · 0 评论 -
怎样用非数学语言讲解贝叶斯定理(Bayes theorem)
https://www.matongxue.com/madocs/279.html怎样用非数学语言讲解贝叶斯定理(Bayes theorem)?一机器在良好状态生产合格产品几率是90%,在故障状态生产合格产品几率是30%,机器良好的概率是75%,若一日第一件产品是合格品,那么此日机器良好的概率是多少?这是贝叶斯定理的一个典型应用。如何在逻辑上进行推理,而不套用公式得到答案呢?这是我们今天的工...转载 2019-06-12 01:24:32 · 933 阅读 · 0 评论 -
O2O优惠券预测题目拆解
1. Table1 《用户线下消费和优惠券领取行为 》都有哪些字段?各个字段的缺失值占比?为了方便快速分析,抽取了1万行数据进行分析。首先,可以看到商户ID和用户ID都没有缺失的;其次是离店距离缺失的最少,这个信息可能根据手机定位等手段,获取的很充分;然后是描述优惠券的三个字段(ID、领取日期、折扣率),缺失值数量是相等的;最后是消费日期,高达55%的缺失值,说明大概有多一半的用户都没...原创 2019-07-22 22:21:30 · 357 阅读 · 0 评论