主要参考了这篇文章的论述，栗子觉得很透彻
(https://www.cnblogs.com/yemanxiaozu/p/7680761.html)
先验概率:是指根据以往经验和分析得到的概率.
后验概率:事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性的大小
比如说：我们掷骰子，每个点数每次投掷的概率均是1/6,而且不会随着我们试验次数的改变而改变,这是一种我们人的常识,也是我们在不知道任何情况下必然会说出的一个值.这就是先验概率。我们人在未知条件下对事件发生可能性猜测的数学表示!
举个栗子
首先我想问一个问题,桌子上如果有一块肉喝一瓶醋,你如果吃了一块肉,然后你觉得是酸的,那你觉得肉里加了醋的概率有多大?你说:80%可能性加了醋.OK,你已经进行了一次后验概率的猜测.没错,就这么简单.
image
形式化:
我们设A为加了醋的概率,B为吃了之后是酸的概率.C为肉变质的概率
image
思考思考再思考
那么先验概率在这个公式中有没有出现呢?有,P(A)就是一种先验概率.
那么什么是P(B|A)呢? 类条件概率.
那么P(B|A)为什么叫类条件概率呢?马上解释.
在写这个随笔之时,我脑子中又有一种构想,所谓的后验概率,是一种果因概率,即在一个结果已经发生的条件下,可能是其中某一个原因造成的概率有多大.这里引用一段"概率论与数理统计"[2]中关于贝叶斯公式的解释:
"如果我们把事件A看做'结果',把诸事件B1,B2...看做导致这个结果的可能的'原因',则可以形象地把全概率公式看做成为'由原因推结果';而贝叶斯公式则恰好相反,其作用于'由结果推原因':现在有一个'结果'A以发生,在众多可能的'原因'中,到底是哪一个导致了这结果"
,这也佐证了我构想的正确性
image
那么这个P(原因1导致结果)和P(结果|原因1)之间到底有什么联系呢?让我们举一个图像识别的例子
再举个栗子
假如给你一些图片,这些图片中有的图上有动物的角,这些图片占了1/10(即先验概率),且已知在有角的条件下是犀牛的概率是0.8(类条件概率1,注意这个概率互补的概率是有角条件下不是犀牛的概率),已知在无角条件下是犀牛概率的是0.05(类条件概率2),现在拿起一张图,发现是一张犀牛的图,那么这张图上带角的概率有多大(求后验概率)
image
由图中公式可知P(图片上由动物的角|是犀牛) = 0.80.1/(0.80.1+0.05*0.9)=0.64
可以看到P(图片上由动物的角且是犀牛)=0.08与P(是犀牛|图片上由动物的角)=0.8之间差别非常大.
再通过比较可以发现,分母中的类条件概率实际上把一个完整的问题集合S通过特征进行了划分,划分成S1/S2/S3...,拿我刚刚提出的所谓果因概率来讨论,类条件概率中的类指的是把造成结果的所有原因一(yi) 一(yi)进行列举,分别讨论.
网友评论