什么是贝叶斯公式？

本文介绍了贝叶斯公式的基本概念，通过生活实例解释其含义，包括如何从已知条件（如下雨时涨水的概率）推断未知条件（涨水时下雨的概率）。贝叶斯公式实际上是条件概率的数学表达，常用于统计学、机器学习中的概率模型计算。
摘要由CSDN通过智能技术生成
贝叶斯公式： P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ) P(A | B) = \frac{P(B | A)P(A)}{P(B)}P(A∣B)=
P(B)
P(B∣A)P(A)
​

贝叶斯描述的问题
假设，A事件为“下雨”，B事件为“涨水”，那么：

“下雨时涨水”可描述为：A条件下B的概率，即P( B | A)
“涨水时下雨”可描述为：B条件下A的概率，即P( A | B)
根据生活常识可以知道，“下雨时涨水”是经常的事情，概率也很好得到，但是“涨水时下雨”的情况可就太多了，不太好估计。

因此，贝叶斯公式就是用于描述这两者之间的关系的。
（我们可以由“下雨时涨水”的概率，推算出“涨水时下雨”的概率）

贝叶斯公式的推导
条件概率公式
条件概率公式： P ( A ∣ B ) = P ( A B ) P ( B ) P(A | B) = \frac{P(AB)}{P(B)}P(A∣B)=
P(B)
P(AB)
​

公式表示的意义：

将P ( B ) P(B)P(B)移到公式左边可以得到P ( A B ) = P ( B ) P ( A ∣ B ) P(AB)=P(B)P(A|B)P(AB)=P(B)P(A∣B)，其中：

P ( B ) P(B)P(B)表示B发生了
P ( A ∣ B ) P(A|B)P(A∣B)表示在B发生的情况下A发生的概率
因此，P ( B ) P ( A ∣ B ) P(B)P(A|B)P(B)P(A∣B)表示AB都发生的概率，即P ( A B ) P(AB)P(AB)。

贝叶斯公式
P ( A B ) = P ( B ) P ( A ∣ B ) = P ( A ) P ( B ∣ A ) P(AB) = P(B)P(A|B) = P(A)P(B|A)P(AB)=P(B)P(A∣B)=P(A)P(B∣A)

将 P ( A ∣ B ) = P ( A B ) P ( B ) P(A | B) = \frac{P(AB)}{P(B)}P(A∣B)=
P(B)
P(AB)
​
中的P ( A B ) P(AB)P(AB)替换成P ( A ) P ( B ∣ A ) P(A)P(B|A)P(A)P(B∣A)，就可以得到贝叶斯公式：P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ) P(A | B) = \frac{P(B | A)P(A)}{P(B)}P(A∣B)=
P(B)
P(B∣A)P(A)
​

结合条件概率意义，可以理解贝叶斯公式为：

P ( B ) P ( A ∣ B ) = P ( A ) P ( B ∣ A ) P(B)P(A|B) = P(A)P(B|A)P(B)P(A∣B)=P(A)P(B∣A)，都是联合概率P ( A B ) P(AB)P(AB)。

---

TangerinePi

什么是贝叶斯公式？