贝叶斯思维-统计建模的Python学习法1

前言

《贝叶斯思维-统计建模的Python学习法》是美国Allen B. Downey著作的，作者利用概率学知识去解决不确定性问题的数学方法。

[序]简介：当我们观察大量相同的事件后，我们就会发现从一个集体的意义上的规律是存在的。而单个事件每次可能得到不同的结果，这些结果以最有可能的结果为中心，服从一定的概率分布。使用贝叶斯方法以及马尔科夫过程，建立的自然语言处理模型，使得语言处理准确率有了巨大提升，进而达到可以实用的要求。（酷我音乐  雷鸣）

这本书一共有15章，分别是：1.贝叶斯定理、2.统计计算、3.估计、4.估计进阶、5.胜率和加数、6.决策分析、7.预测、8.观察者的偏差、9.二维问题、10.贝叶斯近似计算、11.假设检验、12.证据、13.模拟、14.层次化模型、15.处理多维问题。

我将学习过程中的理解一点点整理出来，并以博客文章形式记录。本篇整理的内容是1-2章，如果有理解错的，请留言指出，先谢了！

第1章 贝叶斯定理

概率表示为1和0之间的数字，含义是某一事件或者预测行为的可信程度。

事件A和事件B，同时发生的概率：    (!)

如果事件A和事件B都是独立事件，可以得到另一个公式：    (2)

(1)和(2)结合之后，得到：   (3)

对于(3)可以得到另一个表达式：   (4)

(3)和(4)表达式结合，等式两边除以p(B)，可以得到贝叶斯定理：   (5)

1.1历时诠释

根据公式(5)表的表达式，不同的部分有不同的称呼，如下：

 p(A)是先验概率，p(B)是标准化常量，p(A|B)后验概率，p(B|A)是似然度。 

先验概率一般带有一定的主观性，理性派的人可能会有不同意见，或由于他们使用的不同背景信息做出的判断。对于似然度是贝叶斯计算中最简单部分。标准化常量，计算比较棘手，p(B)可以根据互斥和完备性建设一组假设集，然后根据全概率公式计算标准化常量。

第2章 统计计算

分布：在统计上，是一组值及其对应的概率， 

该书相关代码在第一版贝叶斯思维，需要登陆github ,找到thinkbayes.py文件

将文件的内容复制出来，另存为py后缀的文件，方便我们后期调用这块代码。

import sys
sys.path.append(r'C:\Users\REL\bayes')    #需要引入作者的py文件，所以指定位置
import thinkbayes 
pmf=thinkbayes.Pmf()
for x in [1,2,3,4,5,6]:
    pmf.Set(x,1/6.0)

因为我手上是第一版，所以上面也是作者展示的代码，但要注意的是，path的内容要记得修改！之后还有曲奇饼问题：

from __future__ import print_function
from thinkbayes import Pmf

pmf = Pmf()
pmf.Set('Bowl 1', 0.5)
pmf.Set('Bowl 2', 0.5)

pmf.Mult('Bowl 1', 0.75)
pmf.Mult('Bowl 2', 0.5)

pmf.Normalize()

print(pmf.Prob('Bowl 1'))

后续继续更新