贝叶斯解决的是逆向概率。
例:
- 男生占比60%,女生占比40%。
- 男生全部穿长裤,女生一半长裤一般裙子, 正向概率:随机选取一个学生,他传长裤的概率和穿裙子的概率是多大? 逆向概率:迎面走来一个穿长裤的学生,假如我们只能看见他的下半身,无法直接确定他的性别,能推断出踏实女生的概率多大吗?
假设:学校总共个人 穿长裤的男生:
穿长裤的女生: 穿长裤总数:+ 即穿长裤的男生+女生
所以
blockformula_editorU*P(Girl)*P(Pants|Girl)/U*P(boy)*P(Pants|Boy)+U*P(Girl)*P(Pants|Girl)
可以发现,跟U总人数是无关的。
分母其实就是穿裤子的人的比例
分子就是转换成贝叶斯公式:
P(A \mid B)=\frac{P(B \mid A) P(A)}{P(B)}
可以把不好求的概率转化为好求的,不好求,那就先求 其中,
但是在统计学中,“似然性”和“概率”(或然性)有明确的区分:概率,用于在已知一些参数的情况下,预测接下来在观测上所得到的结果;似然性,则是用于在已知某些观测所得到的结果时,对有关事物之性质的参数进行估值,也就是说已观察到某事件后,对相关母数进行猜测。在这种意义上,似然函数可以理解为条件概率的逆反。 ↩︎
本文章使用limfx的vscode插件快速发布