美文网首页
机器学习基础:贝叶斯定理及其应用示例

机器学习基础:贝叶斯定理及其应用示例

作者: w8ed | 来源:发表于2019-03-30 23:31 被阅读0次

贝叶斯定理:
{ P(h|D)=\frac{P(D|h)P(h)}{P(D)} \tag{1}}

全概率公式:
{P(B)=\sum_{k=1}^nP(B|A_i)P(A_i)\tag{2}}


示例

已知某种疾病的发病率为0.008,现有一种试剂可以检验患者是否得病,即在患者确实患病的情况下,检验结果为阳性的概率为98%,在患者确实没患病的情况下,检验结果为阴性的概率为97%。现有一名患者的检验结果为阳性,则该患者的患病概率为多大?

假定事件C为得病,事件+为阳性,事件-为阴性,则有:

  1. P(C)=0.008
  2. P(\overline{C})=1-P(C)=0.992
  3. P(+|C)=0.98
  4. P(-|C)=1-P(+|C)=0.02
  5. P(-|\overline{C})=0.97
  6. P(+|\overline{C})=1-P(-|\overline{C})=0.03

其中,P(C)为“先验概率”,即没有做试验之前,所估计的发病率。P(C|+)为“后验概率”,即做了试验之后,对发病率的估计。

求检验结果为阳性时,患者的患病概率,就是求后验概率P(C|+)

使用全概率公式P(+),有
P(+)=P(+|C)P(C)+P(+|\overline{C})P(\overline{C})=0.0376
根据贝叶斯定理,有
P(C|+)=\frac{P(+|C)P(C)}{P(+)}=\frac{0.98×0.008}{0.0376}=0.2085
所以,该患者的患病概率为20.85%

因为存在3%误报率,所以会存在“假阳性”问题,即阳性结果并不足以说明病人得病。


参考资料:

  1. 贝叶斯推断及其互联网应用(一):定理简介 - 阮一峰的网络日志
  2. 全概率公式 - 维基百科,自由的百科全书

相关文章

  • 机器学习基础:贝叶斯定理及其应用示例

    贝叶斯定理: 全概率公式: 示例 已知某种疾病的发病率为0.008,现有一种试剂可以检验患者是否得病,即在患者确实...

  • 浅谈运营工作中的贝叶斯陷阱

    贝叶斯定理广泛应用于各类场景,如机器学习、大数据挖掘、工程分析、金融投资等,本文仅探讨贝叶斯定理在运营数据分析中的...

  • 谷歌发布机器学习速成课程

    内容包括: 1. 机器学习概念 2. 机器学习工程 3. 机器学习现实世界应用示例 https://develop...

  • 花书 机器学习基础 (阅读笔记)

    深度学习(花书) 第一部分 应用数学及机器学习基础 第五章 机器学习基础 机器学习本质属于应用统计学,利用计算机...

  • Machine Learning-线性回归算法分析

    AI人工智能时代,机器学习,深度学习作为其核心,本文主要介绍机器学习的基础算法,以详细线介绍 线性回归算法 及其 ...

  • 特征工程

    在机器学习应用中,特征工程扮演着重要的角色,可以说特征工程是机器学习应用的基础。在机器学习界流传着这样一句话:“数...

  • “回归分析”真的算是“机器学习”吗?

    是什么将传统的“应用统计”从“机器学习”中分离的?“机器学习”是建立在“统计”的基础之上的吗?“机器学习”是不是一...

  • 朴素贝叶斯以及三种常见模型推导

    朴素贝叶斯 在机器学习中,朴素贝叶斯分类器是一系列以假设特征之间强(朴素)独立下运用贝叶斯定理为基础的简单概率分类...

  • 美团机器学习实践第二章-特征工程总结

    思维导图如下: 在机器学习应用中,特征工程扮演重要的角色,可以说特征工程时机器学习应用的基础。我们都知道,数据和特...

  • 机器学习学习

    学习的主线是《机器学习入门到实战MATLAB实践应用》 作者:冷雨泉、张会文、张伟等 1、机器学习基础 数据集、样...

网友评论

      本文标题:机器学习基础:贝叶斯定理及其应用示例

      本文链接:https://www.haomeiwen.com/subject/jsmebqtx.html