无脑贝叶斯概率解释和应用

作者: 明慢慢 | 来源:发表于2018-04-24 12:00 被阅读14次

缘起

赞叹一下,实在再也找不到比这个更简洁和无须多少数学基础的贝叶斯公式解释了!

直接完全数学上的贝叶斯,符号绕来绕去,很不容易解释和记忆,要是换成形象点的内容解释起啦会轻松很多。

本文不是为了去数学证明贝叶斯公式,而是想尽量通过直观的方式去简化对于贝叶斯公式的理解和记忆。

本文需要具备基础的概率论知识,什么是概率,如果求简单概率。

贝叶斯公式(可惜简书不支持公式)

P(A|B)=\frac{P(B|A)*P(A)}{P(B)}


P(A|B):在B条件下,A发生的概率

P(B|A):在A条件下,B发生的概率

P(A):在样本空间中,A发生的概率

P(B):在样本空间中,B发生的概率。

贝叶斯难懂就在于这里A,B,A|B,B|A实在太绕了,直接按下面改成毛孩子,立马好解释了。当然这里不

贝叶斯公式的毛孩子解释和应用

  1. 已知情况
    • 有一群毛孩子(样本空间),10只喵,10只汪
    • 10只喵中,6只白,4只黑
    • 10只汪中,3只黑,7只黄
  2. 问题
    • 一只黑色毛孩子是喵的概率是多少
  3. 解答
    • 问题换成概率描述是P(喵|黑)
  • 根据上面的贝叶斯公式
    • P(A|B)=P(喵|黑):黑色的条件下,是喵的概率,这个是要求解的

    • P(B|A)=P(黑|喵):是喵的条件下,是黑色的概率,这个很明显\frac{4}{6+4}=0.4 1.png
    • P(A)=P(喵) :样本空间中是喵的概率 \frac{10}{10+10}=0.5 a.png
    • P(B)=P(黑) :样本空间中是黑色的概率 \frac{4+3}{10+10}=0.35 b.png
  • P(喵|黑)=\frac{P(黑|喵)P(喵)}{P(黑)}=\frac{0.40.5}{0.35}=0.5714 3.png

贝叶斯公式的简单应用

  1. 已知条件:
    • 淘宝上买的一种可口的棒棒糖,共有三个厂家生产的,分别是甲、乙、丙,
    • 其中甲生产了总量的50%,乙生产了总量的30%,丙生产了总量的20%。
    • 根据历史情况,甲生产的差评是3%,乙生产的差评是4%,丙生产的差评是5%。
  2. 问题
    • 现在有一个差评,请问是甲(乙,丙)的概率是多少。
  3. 解答
    • P(甲|差):是差评的条件下,是甲的概率是多少。
    • P(差|甲):是甲的条件下,是差评的概率 这里为3%
    • P(甲) :样本空间中是甲的概率 50%
    • P(差) :样本空间中是差评的概率
6.png
  • 套用贝叶斯公式


    4.png
  • 同理:可求P(乙|差),P(丙|差)


    5.png

相关文章

  • 无脑贝叶斯概率解释和应用

    缘起 赞叹一下,实在再也找不到比这个更简洁和无须多少数学基础的贝叶斯公式解释了! 直接完全数学上的贝叶斯,符号绕来...

  • 十九、贝叶斯公式

    公式: 。 应用理解: 贝叶斯公式其实也通过条件概率公式 转换而来;公式倒是其次主要是对贝叶斯的应用的理解,...

  • 【机器学习】贝叶斯概率思维笔记

    课程来源 知乎live-贝叶斯概率思维 目录 贝叶斯概率 贝叶斯定理 贝叶斯估计 贝叶斯网络 推荐书籍 涉及名词 ...

  • 朴素贝叶斯分类算法

    朴素贝叶斯分类算法多项式和高斯朴素贝叶斯的解释 朴素贝叶斯是一种有监督的机器学习方法,是概率分类器家族的一员。它采...

  • 十大数据挖掘算法之朴素贝叶斯

    一、什么是朴素贝叶斯 相关名词 条件概率 贝叶斯准则 贝叶斯决策理论 极大似然估计 1.1 条件概率 在谈朴素贝叶...

  • 数据挖掘之贝叶斯

    贝叶斯推理贝叶斯法则朴素贝叶斯分类器应用:文本分类 1. 贝叶斯推理 --提供了推理的一种概率手段 --两个基本假...

  • 贝叶斯网络(Bayesian Network)

    参考链接:1.贝叶斯网络(Bayesian Network) 怎么通俗易懂地解释贝叶斯网络和它的应用?

  • Machine Learning (4)

    贝叶斯公式推导,朴素贝叶斯公式 学习先验概率 学习后验概率 LR 和 Linear Regression 之间的区...

  • 朴素贝叶斯

    理论基础 条件概率:朴素贝叶斯最核心的部分是贝叶斯法则,而贝叶斯法则的基石是条件概率。贝叶斯法则如下: 词集模型:...

  • Python3机器学习之04基于概率论的分类方法朴素贝叶斯

    贝叶斯核心 选择具有最高概率的决策是贝叶斯决策理论的核心。 贝叶斯使用 通过已知3个概率来计算位置的概率 特征数量...

网友评论

    本文标题:无脑贝叶斯概率解释和应用

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