一句话: 传统概率模型中认为参数是固定的,数据是变化的
而贝叶斯则认为数据是固定的,参数是变化的,参数以不确定性的形式存在,用参数的概率表达他的不确定性
贝叶斯的核心公式实际上是一个逆向概率的求解过程
有时我们很难求得在B发生情况下A发生的概率,但是我们很容易求得P(B|A),
比如:我们可以很容易知道在某些司机的行为下车辆轨迹和参数的概率,但是我们很难知道在某些车辆参数下司机的行为概率,因此可以通过贝叶斯公式去根据车辆的运动参数去预测驾驶员的行为,在这种情况下: A :表示驾驶员行为 B: 表示车辆轨迹参数
其中,我们称P(A)为先验概率,先在行为预测过程中,我们可以用P(A)表示驾驶员行为在道路中发生的概率,比如说一般70%的可能性是保持车道,20%可能性是左换道等
P(A|B)我们称为后验分布
朴素贝叶斯 是在贝叶斯基础上的简化,他是假设变量之间不存在影响例如:
P(B|A) 表示的是在驾驶员发生某一行为时车辆参数B出现的概率
而车辆参数B可能包括:车辆轨迹x,y车辆参数v,a,以及航向角phi
因此P(B0|A) = P(x0,y0,v0,a0,phi0|A) = P(A) * P(phi0|A) * P(a0|A,phi0) * P(v0|A,phi0,a0).......P(x0|A,y0,v0,a0,phi0)
朴素贝叶斯认为x,y,v,a,phi这些变量之间不会相互影响,因此可以简化为
P(B0|A) = P(x0,y0,v0,a0,phi0|A) = P(A) * P(phi0|A) * P(a0|A) * P(v0|A).......P(x0|A)