简介
首先,先介绍以下Beyas决策的基础:Beyas公式
P ( ω i ∣ x ) = P ( x ∣ ω i ) P ( ω i ) P ( x ) P(\omega_i | x ) = \frac{P(x|\omega_i)P(\omega_i)}{P(x)} P(ωi∣x)=P(x)P(x∣ωi)P(ωi)
其中 P ( x ∣ ω i ) P(x|\omega_i) P(x∣ωi)为类条件概率, P ( ω i ) P(\omega_i) P(ωi)是条件 ω i \omega_i ωi的先验概率,最终得到的结果是 P ( ω i ∣ x ) P(\omega_i | x ) P(ωi∣x) 由条件 ω i \omega_i ωi导致的后验概率
BB这么多,这公式啥意思呢?如果学过概率论的同学应该对类条件概率和先验概率并不陌生, P ( ω i ) P(\omega_i) P(ωi)就是条件 或者 事件发生的概率, P ( x ∣ ω i ) P(x|\omega_i) P(x∣ωi)就是条件概率。下面我们实例化说明一下
记 ω 0 \omega_0 ω0为第一次十连中奖, ω 1 \omega_1 ω1为第一次十连保底,记 x x x为再来一发中奖,那么 P ( ω 0 ) P(\omega_0) P(ω0)就是我第一次十连中奖的概率,而 P ( x ∣ ω 1 ) P(x|\omega_1) P(x∣ω1)就是我已经保底之后,再来一发中奖的概率。
同样在该实例化中,对于后验概率我们又怎么解释呢?比如: P ( ω 1 ∣ x ) P(\omega_1 | x ) P(ω1∣x) 在我又氪了一单十连中奖之后,我第一次保底的概率。这好像不太不符合认知,我们在通过观测当前事件,去推算已经发现事件的概率,通俗一点说,我们想知道过去的某一事件对现在这件事的影响有多大,而显然这是我们无法人为察觉到的,我们习惯于做出假设并验证,而不是根据结果去推测
之后,我们再根据Bayes公式去看Bayes决策:依据后验概率对x进行分类。根据上面对后验概率的解释,Bayes决策实际就是对x进行解析,推测在每个类别中概率,并将x归为可能性最大的分组中
基于最小错误率的Bayes决策
在这种衡量方式下,我们认为错误是不可接受的,但由于事件具有随机性ÿ