1 贝叶斯公式
可以将一个联合概率密度分解成一个条件概率密度和一个非条件概率密度乘积的形式
p
(
x
,
y
)
=
p
(
x
∣
y
)
p
(
y
)
=
p
(
y
∣
x
)
p
(
x
)
p(x,y)=p(x|y)p(y)=p(y|x)p(x)
p(x,y)=p(x∣y)p(y)=p(y∣x)p(x)
进而可以得到贝叶斯公式：
p
(
x
∣
y
)
=
p
(
y
∣
x
)
p
(
x
)
p
(
y
)
p(x|y)=\frac{p(y|x)p(x)}{p(y)}
p(x∣y)=p(y)p(y∣x)p(x)
上述为一般情况下的单条件贝叶斯公式。
而对于多条件情况，需要引入多变量的贝叶斯公式。
2 多变量贝叶斯公式
下面推导
p
(
A
∣
B
,
C
)
p(A|B,C)
p(A∣B,C)的形式，记事件
B
,
C
B,C
B,C同时发生为事件
T
T
T，则
p
(
A
∣
B
,
C
)
=
p
(
A
∣
T
)
p(A|B,C) = p(A|T)
p(A∣B,C)=p(A∣T)
p
(
A
∣
T
)
=
p
(
A
,
T
)
p
(
T
)
p(A|T) = \frac{p(A,T)}{p(T)}
p(A∣T)=p(T)p(A,T)
p
(
A
∣
B
,
C
)
=
p
(
A
,
B
,
C
)
p
(
B
,
C
)
p(A|B,C)=\frac{p(A,B,C)}{p(B,C)}
p(A∣B,C)=p(B,C)p(A,B,C)
而
p
(
A
,
B
,
C
)
=
p
(
C
,
A
,
B
)
=
p
(
C
∣
A
,
B
)
p
(
A
,
B
)
=
p
(
C
∣
A
,
B
)
p
(
A
∣
B
)
p
(
B
)
(1)
p(A,B,C) = p(C,A,B)=p(C|A,B)p(A,B)\\ =p(C|A,B)p(A|B)p(B) \tag{1}
p(A,B,C)=p(C,A,B)=p(C∣A,B)p(A,B)=p(C∣A,B)p(A∣B)p(B)(1)
p
(
B
,
C
)
=
p
(
C
∣
B
)
p
(
B
)
(2)
p(B,C)=p(C|B)p(B) \tag{2}
p(B,C)=p(C∣B)p(B)(2)
由
(
1
)
(
2
)
得
\frac{(1)}{(2)}得
(2)(1)得
p
(
A
,
B
,
C
)
p
(
B
,
C
)
=
p
(
C
∣
A
,
B
)
p
(
A
∣
B
)
p
(
B
)
p
(
C
∣
B
)
p
(
B
)
=
p
(
C
∣
A
,
B
)
p
(
A
∣
B
)
p
(
C
∣
B
)
\frac{p(A,B,C)}{p(B,C)}= \frac{p(C|A,B)p(A|B)p(B)}{p(C|B)p(B)}=\frac{p(C|A,B)p(A|B)}{p(C|B)}
p(B,C)p(A,B,C)=p(C∣B)p(B)p(C∣A,B)p(A∣B)p(B)=p(C∣B)p(C∣A,B)p(A∣B)
p
(
A
,
B
,
C
)
p
(
B
,
C
)
=
p
(
C
∣
A
,
B
)
p
(
A
∣
B
)
p
(
C
∣
B
)
(3)
\frac{p(A,B,C)}{p(B,C)}=\frac{p(C|A,B)p(A|B)}{p(C|B)} \tag{3}
p(B,C)p(A,B,C)=p(C∣B)p(C∣A,B)p(A∣B)(3)
3 贝叶斯公式重写MAP
根据式
(
3
)
(3)
(3)
x
^
=
arg max
x
p
(
x
∣
v
,
y
)
=
arg max
x
p
(
y
∣
x
,
v
)
p
(
x
∣
v
)
p
(
y
∣
v
)
\hat{x}= \argmax_x p(x|v,y)= \argmax_x \frac{p(y|x,v)p(x|v)}{p(y|v)}
x^=xargmaxp(x∣v,y)=xargmaxp(y∣v)p(y∣x,v)p(x∣v)
分母与
x
x
x无关，观测方程中
y
y
y与
v
v
v无关，舍去，最终得到
x
^
=
arg max
x
p
(
x
∣
v
,
y
)
=
arg max
x
p
(
y
∣
x
)
p
(
x
∣
v
)
\hat{x}= \argmax_x p(x|v,y)= \argmax_x p(y|x)p(x|v)
x^=xargmaxp(x∣v,y)=xargmaxp(y∣x)p(x∣v)
1464
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
