Note_006 概率【深度学习_学习笔记】

简单地说，机器学习就是做出预测。

• 根据病人的临床病史，我们可能想预测他们在下一年心脏病发作的概率。
• 在飞机喷气发动机的异常检测中，我们想要评估一组发动机读数为正常运行情况的概率有多大。

{\kern 15pt} 在强化学习中，我们希望智能体（agent）能在一个环境中智能地行动，这意味着我们需要考虑在每种可行的行为下获得高奖励的概率。

{\kern 15pt} 当我们建立推荐系统时，我们也需要考虑概率。例如，假设我们为一家大型在线书店工作，我们可能希望估计某些用户购买特定图书的概率。为此，我们需要使用概率学。

{\kern 15pt} 现在让我们更认真地考虑第一个例子：根据照片区分猫和狗，这听起来可能很简单，但对于机器却可能是一个艰巨的挑战。首先，问题的难度可能取决于图像的分辨率。

{\kern 15pt} 如图所示，虽然人类很容易以$160\times 160$像素的分辨率识别猫和狗，但它在$40\times 40$像素上变得具有挑战性，而且在$10\times 10$像素下几乎是不可能的。

{\kern 15pt} 换句话说，我们在很远的距离（从而降低分辨率）区分猫和狗的能力可能会变为猜测，概率给了我们一种正式的途径来说明我们的确定性水平。

• 如果我们完全肯定图像是一只猫，我们说标签$y$是"猫"的概率，表示为$P(y=$“猫”$)$等于$1$。
• 如果我们没有证据表明$y=$“猫”或$y=$“狗”，那么我们可以说这两种可能性是相等的，即$P(y=$“猫”$)=P(y=$“狗”$)=0.5$。
• 如果我们不十分确定图像描绘的是一只猫，我们可以将概率赋值为$0.5<P(y=$“猫”$)<1$。

{\kern 15pt} 现在考虑第二个例子：给出一些天气监测数据，预测明天北京下雨的概率，如果是夏天，下雨的概率是0.5。

在这两种情况下，我们都不确定结果，但这两种情况之间有一个关键区别。

• 在第一种情况中，图像实际上是狗或猫二选一。
• 在第二种情况下，结果实际上是一个随机的事件。

{\kern 15pt} 因此，概率是一种灵活的语言，用于说明我们的确定程度，并且它可以有效地应用于广泛的领域中。

基本概率论

{\kern 15pt} 假设我们掷骰子，想知道看到1的几率有多大，而不是看到另一个数字，如果骰子是公平的，那么所有六个结果 { 1 , … , 6 } \{1, \ldots, 6\} {1,…,6}都有相同的可能发生，因此我们可以说$1$发生的概率为$\frac{1}{6}$。然而现实生活中，对于我们从工厂收到的真实骰子，我们需要检查它是否有瑕疵。检查骰子的唯一方法是多次投掷并记录结果，对于每个骰子，我们将观察到 { 1 , … , 6 } \{1, \ldots, 6\} {1,…,6}中的一个值。

{\kern 15pt} 对于每个值，一种自然的方法是将它出现的次数除以投掷的总次数，即此事件（event）概率的估计值。大数定律（law of large numbers）告诉我们：随着投掷次数的增加，这个估计值会越来越接近真实的潜在概率。让我们用代码试一试！

{\kern 15pt} 在统计学中，我们把从概率分布中抽取样本的过程称为抽样（sampling）。笼统来说，可以把分布（distribution）看作对事件的概率分配，稍后我们将给出的更正式定义。

{\kern 15pt} 将概率分配给一些离散选择的分布称为多项分布（multinomial distribution）。

{\kern 15pt} 为了抽取一个样本，即掷骰子，我们只需传入一个概率向量，输出是另一个相同长度的向量：它在索引$i$处的值是采样结果中$i$出现的次数。

import torch
from torch.distributions import multinomial
from d2l import torch as d2l

fair_probs = torch.ones([6]) / 6
print(multinomial.Multinomial(1, fair_probs).sample())      # tensor([0., 0., 1., 0., 0., 0.])

{\kern 15pt} 在估计一个骰子的公平性时，我们希望从同一分布中生成多个样本，如果用Python的for循环来完成这个任务，速度会慢得惊人。因此我们使用深度学习框架的函数同时抽取多个样本，得到我们想要的任意形状的独立样本数组。

import torch
from torch.distributions import multinomial
from d2l import torch as d2l

fair_probs = torch.ones([6]) / 6
print(multinomial.Multinomial(10, fair_probs).sample())     # tensor([0., 2., 2., 2., 2., 2.])

{\kern 15pt} 现在我们知道如何对骰子进行采样，于是可以模拟1000次投掷，然后，我们可以统计1000次投掷后，每个数字被投中了多少次。具体来说，我们计算相对频率，以作为真实概率的估计。

import torch
from torch.distributions import multinomial
from d2l import torch as d2l

fair_probs = torch.ones([6]) / 6

# 将结果存储为32位浮点数以进行除法
counts = multinomial.Multinomial(1000, fair_probs).sample()
print(counts / 1000)                                        # 相对频率作为估计值
                                                            # tensor([0.1810, 0.1600, 0.1670, 0.1540, 0.1770, 0.1610])

{\kern 15pt} 因为是从一个公平的骰子中生成的数据，我们知道每个结果都有真实的概率 $\frac{1}{6}$，大约是$0.167$，所以上面输出的估计值看起来不错。

{\kern 15pt} 我们也可以看到这些概率如何随着时间的推移收敛到真实概率，进行500组实验，每组抽取10个样本。

import torch
from torch.distributions import multinomial
from d2l import torch as d2l

fair_probs = torch.ones([6]) / 6

counts = multinomial.Multinomial(10, fair_probs).sample((500,))
cum_counts = counts.cumsum(dim=0)
estimates = cum_counts / cum_counts.sum(dim=1, keepdims=True)

d2l.set_figsize((6, 4.5))
for i in range(6):
    d2l.plt.plot(estimates[:, i].numpy(),
                 label=("P(die=" + str(i + 1) + ")"))
d2l.plt.axhline(y=0.167, color='black', linestyle='dashed')
d2l.plt.gca().set_xlabel('Groups of experiments')
d2l.plt.gca().set_ylabel('Estimated probability')
d2l.plt.legend()
d2l.plt.show()

{\kern 15pt} 每条实线对应于骰子的6个值中的一个，并给出骰子在每组实验后出现值的估计概率,当通过更多的实验获得更多的数据时，这$6$条实体曲线向真实概率收敛。

概率论公理

{\kern 15pt} 在处理骰子掷出时，我们将集合 S = { 1 , 2 , 3 , 4 , 5 , 6 } \mathcal{S} = \{1, 2, 3, 4, 5, 6\} S={1,2,3,4,5,6}称为样本空间（sample space）或结果空间（outcome space），其中每个元素都是结果（outcome）。

{\kern 15pt} 事件（event）是一组给定样本空间的随机结果。 例如，“看到$5$”（ { 5 } \{5\} {5}）和“看到奇数”（ { 1 , 3 , 5 } \{1, 3, 5\} {1,3,5}）都是掷出骰子的有效事件。

{\kern 15pt} 注意，如果一个随机实验的结果在$\mathcal{A}$中，则事件$\mathcal{A}$已经发生，也就是说，如果投掷出$3$点，因为 3 ∈ { 1 , 3 , 5 } 3 \in \{1, 3, 5\} 3∈{1,3,5}，我们可以说，“看到奇数”的事件发生了。

{\kern 15pt} 概率（probability）可以被认为是将集合映射到真实值的函数。 在给定的样本空间$\mathcal{S}$中，事件$\mathcal{A}$的概率，表示为$P(\mathcal{A})$，满足以下属性：

• 对于任意事件$\mathcal{A}$，其概率从不会是负数，即$P(\mathcal{A})\ge 0$；
• 整个样本空间的概率为$1$，即$P(\mathcal{S})=1$；
• 对于互斥（mutually exclusive）事件（对于所有$i\ne j$都有${\mathcal{A}}_i\cap {\mathcal{A}}_j=\varnothing$）的任意一个可数序列${\mathcal{A}}_1,{\mathcal{A}}_2,\dots$，序列中任意一个事件发生的概率等于它们各自发生的概率之和，即$P({\bigcup }_{i=1}^{\infty }{\mathcal{A}}_i)={\sum }_{i=1}^{\infty }P({\mathcal{A}}_i)$。

{\kern 15pt} 以上也是概率论的公理，由科尔莫戈罗夫于1933年提出。有了这个公理系统，我们可以避免任何关于随机性的哲学争论。相反，我们可以用数学语言严格地推理——假设事件${\mathcal{A}}_1$为整个样本空间，且当所有$i>1$时的${\mathcal{A}}_i=\varnothing$，那么我们可以证明$P(\varnothing )=0$，即不可能发生事件的概率是$0$。

随机变量

{\kern 15pt} 在我们掷骰子的随机实验中，我们引入了随机变量（random variable）的概念。随机变量几乎可以是任何数量，并且它可以在随机实验的一组可能性中取一个值。

{\kern 15pt} 考虑一个随机变量$X$，其值在掷骰子的样本空间 S = { 1 , 2 , 3 , 4 , 5 , 6 } \mathcal{S}=\{1,2,3,4,5,6\} S={1,2,3,4,5,6}中，我们可以将事件“看到一个$5$”表示为 { X = 5 } \{X=5\} {X=5}或$X=5$，其概率表示为 P ( { X = 5 } ) P(\{X=5\}) P({X=5})或$P(X=5)$。通过$P(X=a)$，我们区分了随机变量$X$和$X$可以采取的值（例如$a$）。然而，这可能会导致繁琐的表示。

{\kern 15pt} 为了简化符号，一方面，我们可以将$P(X)$表示为随机变量$X$上的分布（distribution）：分布告诉我们$X$获得某一值的概率。另一方面，我们可以简单用$P(a)$表示随机变量取值$a$的概率。

{\kern 15pt} 由于概率论中的事件是来自样本空间的一组结果，因此我们可以为随机变量指定值的可取范围。例如，$P(1\le X\le 3)$表示事件 { 1 ≤ X ≤ 3 } \{1 \leq X \leq 3\} {1≤X≤3}，即 { X = 1 , 2 , or , 3 } \{X = 1, 2, \text{or}, 3\} {X=1,2,or,3}的概率。等价地，$P(1\le X\le 3)$表示随机变量$X$从 { 1 , 2 , 3 } \{1, 2, 3\} {1,2,3}中取值的概率。请注意，离散（discrete）随机变量（如骰子的每一面）和连续（continuous）随机变量（如人的体重和身高）之间存在微妙的区别。

{\kern 15pt} 现实生活中，测量两个人是否具有完全相同的身高没有太大意义。如果我们进行足够精确的测量，最终会发现这个星球上没有两个人具有完全相同的身高。在这种情况下，询问某人的身高是否落入给定的区间，比如是否在1.79米和1.81米之间更有意义。 在这些情况下，我们将这个看到某个数值的可能性量化为密度（density）。

{\kern 15pt} 高度恰好为1.80米的概率为0，但密度不是0。在任何两个不同高度之间的区间，我们都有非零的概率。在本节的其余部分中，我们将考虑离散空间中的概率。

{\kern 15pt} 连续随机变量的概率可以参考深度学习数学附录中随机变量的一节。

处理多个随机变量

{\kern 15pt} 很多时候，我们会考虑多个随机变量。比如，我们可能需要对疾病和症状之间的关系进行建模。给定一个疾病和一个症状，比如“流感”和“咳嗽”，以某个概率存在或不存在于某个患者身上。我们需要估计这些概率以及概率之间的关系，以便我们可以运用我们的推断来实现更好的医疗服务。

{\kern 15pt} 再举一个更复杂的例子：图像包含数百万像素，因此有数百万个随机变量。在许多情况下，图像会附带一个标签（label），标识图像中的对象。我们也可以将标签视为一个随机变量。我们甚至可以将所有元数据视为随机变量，例如位置、时间、光圈、焦距、ISO、对焦距离和相机类型。所有这些都是联合发生的随机变量。当我们处理多个随机变量时，会有若干个变量是我们感兴趣的。

联合概率

{\kern 15pt} 第一个被称为联合概率（joint probability）$P(A=a,B=b)$。给定任意值$a$和$b$，联合概率可以回答：$A=a$和$B=b$同时满足的概率是多少？请注意，对于任何$a$和$b$的取值，$P(A=a,B=b)\le P(A=a)$这点是确定的，因为要同时发生$A=a$ 和 $B=b$，$A=a$就必须发生，$B=b$也必须发生（反之亦然）。因此，$A=a$ 和 $B=b$同时发生的可能性不大于$A=a$或是$B=b$单独发生的可能性。

条件概率

{\kern 15pt} 联合概率的不等式带给我们一个有趣的比率：$0\le \frac{P(A=a,B=b)}{P(A=a)}\le 1$。我们称这个比率为条件概率（conditional probability），并用$P(B=b\mid A=a)$表示它：它是$B=b$的概率，前提是$A=a$已发生。

贝叶斯定理

{\kern 15pt} 使用条件概率的定义，我们可以得出统计学中最有用的方程之一：Bayes定理（Bayes’ theorem）。根据乘法法则（multiplication rule ）可得到$P(A,B)=P(B\mid A)P(A)$。根据对称性，可得到$P(A,B)=P(A\mid B)P(B)$。
假设$P(B)>0$，求解其中一个条件变量，我们得到

$$P(A\mid B)=\frac{P(B\mid A)P(A)}{P(B)}.$$

请注意，这里我们使用紧凑的表示法：
{\kern 15pt} 其中$P(A,B)$是一个联合分布（joint distribution），$P(A\mid B)$是一个条件分布（conditional distribution）。
这种分布可以在给定值$A=a,B=b$上进行求值。

边际化

{\kern 15pt} 为了能进行事件概率求和，我们需要求和法则（sum rule），即$B$的概率相当于计算$A$的所有可能选择，并将所有选择的联合概率聚合在一起：

$$P(B)=\sum _{A}P(A,B),$$

{\kern 15pt} 这也称为边际化（marginalization）边际化结果的概率或分布称为边际概率（marginal probability）或边际分布（marginal distribution）。

独立性

{\kern 15pt} 另一个有用属性是依赖（dependence）与独立（independence）。如果两个随机变量$A$和$B$是独立的，意味着事件$A$的发生跟$B$事件的发生无关。在这种情况下，统计学家通常将这一点表述为$A\perp B$。根据贝叶斯定理，马上就能同样得到$P(A\mid B)=P(A)$。在所有其他情况下，我们称$A$和$B$依赖。比如，两次连续抛出一个骰子的事件是相互独立的。相比之下，灯开关的位置和房间的亮度并不是（因为可能存在灯泡坏掉、电源故障，或者开关故障）。

{\kern 15pt} 由于$P(A\mid B)=\frac{P(A,B)}{P(B)}=P(A)$等价于$P(A,B)=P(A)P(B)$，因此两个随机变量是独立的，当且仅当两个随机变量的联合分布是其各自分布的乘积。同样地，给定另一个随机变量$C$时，两个随机变量$A$和$B$是条件独立的（conditionally independent），当且仅当$P(A,B\mid C)=P(A\mid C)P(B\mid C)$。这个情况表示为$A\perp B\mid C$。

应用

{\kern 15pt} 我们实战演练一下！假设一个医生对患者进行艾滋病病毒（HIV）测试。这个测试是相当准确的，如果患者健康但测试显示他患病，这个概率只有1%；如果患者真正感染HIV，它永远不会检测不出。我们使用$D_1$来表示诊断结果（如果阳性，则为$1$，如果阴性，则为$0$），$H$来表示感染艾滋病病毒的状态（如果阳性，则为$1$，如果阴性，则为$0$）。在下表中列出了这样的条件概率。

表1：条件概率为 $P(D_1\mid H)$

条件概率	$H=1$	$H=0$
$P(D_1=1\mid H)$	1	0.01
$P(D_1=0\mid H)$	0	0.99

{\kern 15pt} 请注意，每列的加和都是1（但每行的加和不是），因为条件概率需要总和为1，就像概率一样。让我们计算如果测试出来呈阳性，患者感染HIV的概率，即$P(H=1\mid D_1=1)$。显然，这将取决于疾病有多常见，因为它会影响错误警报的数量。
{\kern 15pt} 假设人口总体是相当健康的，例如，$P(H=1)=0.0015$。为了应用贝叶斯定理，我们需要运用边际化和乘法法则来确定

$$\begin{array}{rl}& P(D_1=1)\\ =& P(D_1=1,H=0)+P(D_1=1,H=1)\\ =& P(D_1=1\mid H=0)P(H=0)+P(D_1=1\mid H=1)P(H=1)\\ =& \mathrm{0.011485.}\end{array}$$
{\kern 15pt} 因此，我们得到

$$\begin{array}{rl}& P(H=1\mid D_1=1)\\ =& \frac{P(D_1=1\mid H=1)P(H=1)}{P(D_1=1)}\\ =& 0.1306\end{array}.$$

{\kern 15pt} 换句话说，尽管使用了非常准确的测试，患者实际上患有艾滋病的几率只有13.06%。正如我们所看到的，概率可能是违反直觉的。患者在收到这样可怕的消息后应该怎么办？很可能，患者会要求医生进行另一次测试来确定病情。第二个测试具有不同的特性，它不如第一个测试那么精确，如下表所示。

表2：条件概率为$P(D_2\mid H)$

条件概率	$H=1$	$H=0$
$P(D_2=1\mid H)$	0.98	0.03
$P(D_2=0\mid H)$	0.02	0.97

{\kern 15pt} 不幸的是，第二次测试也显示阳性。让我们通过假设条件独立性来计算出应用Bayes定理的必要概率：

$$\begin{array}{rl}& P(D_1=1,D_2=1\mid H=0)\\ =& P(D_1=1\mid H=0)P(D_2=1\mid H=0)\\ =& 0.0003,\end{array}$$

$$\begin{array}{rl}& P(D_1=1,D_2=1\mid H=1)\\ =& P(D_1=1\mid H=1)P(D_2=1\mid H=1)\\ =& \mathrm{0.98.}\end{array}$$
{\kern 15pt} 现在我们可以应用边际化和乘法规则：

$$\begin{array}{rl}& P(D_1=1,D_2=1)\\ =& P(D_1=1,D_2=1,H=0)+P(D_1=1,D_2=1,H=1)\\ =& P(D_1=1,D_2=1\mid H=0)P(H=0)+P(D_1=1,D_2=1\mid H=1)P(H=1)\\ =& \mathrm{0.00176955.}\end{array}$$

{\kern 15pt} 最后，鉴于存在两次阳性检测，患者患有艾滋病的概率为

$$\begin{array}{rl}& P(H=1\mid D_1=1,D_2=1)\\ =& \frac{P(D_1=1,D_2=1\mid H=1)P(H=1)}{P(D_1=1,D_2=1)}\\ =& 0.8307\end{array}$$

{\kern 15pt} 也就是说，第二次测试使我们能够对患病的情况获得更高的信心。尽管第二次检验比第一次检验的准确性要低得多，但它仍然显著提高我们的预测概率。

期望和方差

{\kern 15pt} 为了概括概率分布的关键特征，我们需要一些测量方法。一个随机变量$X$的期望（expectation，或平均值（average））表示为

$$E[X]=\sum _{x}xP(X=x).$$

{\kern 15pt} 当函数$f(x)$的输入是从分布$P$中抽取的随机变量时，$f(x)$的期望值为

$$E_{x\sim P}[f(x)]=\sum _{x}f(x)P(x).$$

{\kern 15pt} 在许多情况下，我们希望衡量随机变量$X$与其期望值的偏置。这可以通过方差来量化

$$\mathrm{Var}[X]=E\left[(X-E[X]{)}^2\right]=E[X^2]-E[X{]}^2.$$

{\kern 15pt} 方差的平方根被称为标准差（standard deviation）。随机变量函数的方差衡量的是：当从该随机变量分布中采样不同值$x$时，函数值偏离该函数的期望的程度：

$$\mathrm{Var}[f(x)]=E\left[{\left(f(x)-E[f(x)]\right)}^2\right].$$

小结

• 我们可以从概率分布中采样。
• 我们可以使用联合分布、条件分布、Bayes定理、边缘化和独立性假设来分析多个随机变量。
• 期望和方差为概率分布的关键特征的概括提供了实用的度量形式。

练习

1. 进行$m=500$组实验，每组抽取$n=10$个样本。改变$m$和$n$，观察和分析实验结果。
2. 给定两个概率为$P(\mathcal{A})$和$P(\mathcal{B})$的事件，计算$P(\mathcal{A}\cup \mathcal{B})$和$P(\mathcal{A}\cap \mathcal{B})$的上限和下限。（提示：使用友元图来展示这些情况。)
3. 假设我们有一系列随机变量，例如$A$、$B$和$C$，其中$B$只依赖于$A$，而$C$只依赖于$B$，能简化联合概率$P(A,B,C)$吗？（提示：这是一个马尔可夫链。)
4. 在应用一节中，第一个测试更准确。为什么不运行第一个测试两次，而是同时运行第一个和第二个测试?

练习答案

1. 进行$m=5000$组实验，每组抽取$n=100$个样本，概率收敛为0.167

import torch
from torch.distributions import multinomial
from d2l import torch as d2l

fair_probs = torch.ones([6]) / 6
counts = multinomial.Multinomial(100, fair_probs).sample((5000,))
cum_counts = counts.cumsum(dim=0)
estimates = cum_counts / cum_counts.sum(dim=1, keepdims=True)

d2l.set_figsize((6, 4.5))
for i in range(6):
    d2l.plt.plot(estimates[:, i].numpy(),
                 label=("P(die=" + str(i + 1) + ")"))
d2l.plt.axhline(y=0.167, color='black', linestyle='dashed')
d2l.plt.gca().set_xlabel('Groups of experiments')
d2l.plt.gca().set_ylabel('Estimated probability')
d2l.plt.legend()
d2l.plt.show()

$$max(P(A),P(B))\le P(A\cup B)\le P(A)+P(B)$$
$$0\le P(A\cap B)\le \min (P(A),P(B))$$

$$P(A,B,C)=P\left(C\mid A,B\right)P\left(A,B\right)=P\left(C\mid A,B\right)P\left(B\mid A\right)P\left(A\right)$$

$$\begin{gathered} \because C只依赖B \\ \therefore P\left(C\mid A,B\right)=P\left(C\mid B\right) \end{gathered}$$
$$⟹P\left(A,B,C\right)=P\left(C\mid B\right)P\left(B\mid A\right)P\left(A\right)$$

4. 在测试艾滋病病毒时，第一个测试和第二个测试可以看作具有不同的特性（即不同测试针对的靶点不同），再次使用第一个测试，如果没有随机因素的干扰或者测试流程的问题，结果应该是不会变的（因为针对的靶点相同），因此同时使用第一和第二个测试（针对的靶点相异）更有说服力一些，这样个假设条件更有可能独立，而重复第一次测试，两次测试会有较强的相关关系。