通过简单例子来理解先验分布、后验分布、似然估计&&贝叶斯公式
2018-01-26 01:03
351 查看
这几个概念可以用“原因的可能性”和“结果的可能性”的“先后顺序”及“条件关系”来理解。下面举例:
隔壁老王要去10公里外的一个地方办事,他可以选择走路,骑自行车或者开车,并花费了一定时间到达目的地。在这个事件中,可以把交通方式(走路、骑车或开车)认为是原因,花费的时间认为是结果。
若老王花了一个小时的时间完成了10公里的距离,那么很大可能是骑车过去的,当然也有较小可能老王是个健身达人跑步过去的,或者开车过去但是堵车很严重。若老王一共用了两个小时的时间完成了10公里的距离,那么很有可能他是走路过去的。若老王只用了二十分钟,那么很有可能是开车。这种先知道结果,然后由结果估计原因的概率分布,p(交通方式|时间),就是后验概率。
老王早上起床的时候觉得精神不错,想锻炼下身体,决定跑步过去;也可能老王想做个文艺青年试试最近流行的共享单车,决定骑车过去;也可能老王想炫个富,决定开车过去。老王的选择与到达目的地的时间无关。先于结果,确定原因的概率分布,p(交通方式),就是先验概率。
老王决定步行过去,那么很大可能10公里的距离大约需要两个小时;较小可能是老王平时坚持锻炼,跑步过去用了一个小时;更小可能是老王是个猛人,40分钟就到了。老王决定骑车过去,很可能一个小时就能到;较小可能是老王那天精神不错加上单双号限行交通很通畅,40分钟就到了;还有一种较小可能是老王运气很差,连着坏了好几辆共享单车,花了一个半小时才到。老王决定开车过去,很大可能是20分钟就到了,较小可能是那天堵车很严重,磨磨唧唧花了一个小时才到。这种先确定原因,根据原因来估计结果的概率分布,p(时间|交通方式),就是似然估计。
老王去那个地方好几趟,不管是什么交通方式,得到了一组关于时间的概率分布。这种不考虑原因,只看结果的概率分布,p(时间),也有一个名词:evidence(不清楚合适的中文名是什么)。
最后,甩出著名的贝叶斯公式:
: 观察得到的数据(结果)
: 决定数据分布的参数(原因)
: posterior
: prior
: likelihood
: evidence
总的来说,就是用别的条件概率来求这一个条件概率
以下是推导过程,只有三步
Step 1: 条件概率公式,表示在
发生的条件下,事件发生
的概率
下式: 分子表示事件
同时发生的概率,分母表示事件
发生的概率
Step 2: 把分子
变一下,
由step1的式子,
同理,
Step 3: 把分母
变一下,
将事件B进行分割的时候,不是直接对B进行分割,而是先找到样本空间Ω的一个个划分为
,这样事件A就被事件
分解成了n部分,即
Step 4: 整合Step1、2、3,完工
作者:azhlm
链接:https://www.zhihu.com/question/51448623/answer/143664566
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
隔壁老王要去10公里外的一个地方办事,他可以选择走路,骑自行车或者开车,并花费了一定时间到达目的地。在这个事件中,可以把交通方式(走路、骑车或开车)认为是原因,花费的时间认为是结果。
若老王花了一个小时的时间完成了10公里的距离,那么很大可能是骑车过去的,当然也有较小可能老王是个健身达人跑步过去的,或者开车过去但是堵车很严重。若老王一共用了两个小时的时间完成了10公里的距离,那么很有可能他是走路过去的。若老王只用了二十分钟,那么很有可能是开车。这种先知道结果,然后由结果估计原因的概率分布,p(交通方式|时间),就是后验概率。
老王早上起床的时候觉得精神不错,想锻炼下身体,决定跑步过去;也可能老王想做个文艺青年试试最近流行的共享单车,决定骑车过去;也可能老王想炫个富,决定开车过去。老王的选择与到达目的地的时间无关。先于结果,确定原因的概率分布,p(交通方式),就是先验概率。
老王决定步行过去,那么很大可能10公里的距离大约需要两个小时;较小可能是老王平时坚持锻炼,跑步过去用了一个小时;更小可能是老王是个猛人,40分钟就到了。老王决定骑车过去,很可能一个小时就能到;较小可能是老王那天精神不错加上单双号限行交通很通畅,40分钟就到了;还有一种较小可能是老王运气很差,连着坏了好几辆共享单车,花了一个半小时才到。老王决定开车过去,很大可能是20分钟就到了,较小可能是那天堵车很严重,磨磨唧唧花了一个小时才到。这种先确定原因,根据原因来估计结果的概率分布,p(时间|交通方式),就是似然估计。
老王去那个地方好几趟,不管是什么交通方式,得到了一组关于时间的概率分布。这种不考虑原因,只看结果的概率分布,p(时间),也有一个名词:evidence(不清楚合适的中文名是什么)。
最后,甩出著名的贝叶斯公式:
: 观察得到的数据(结果)
: 决定数据分布的参数(原因)
: posterior
: prior
: likelihood
: evidence
总的来说,就是用别的条件概率来求这一个条件概率
以下是推导过程,只有三步
Step 1: 条件概率公式,表示在
发生的条件下,事件发生
的概率
下式: 分子表示事件
同时发生的概率,分母表示事件
发生的概率
Step 2: 把分子
变一下,
由step1的式子,
同理,
Step 3: 把分母
变一下,
将事件B进行分割的时候,不是直接对B进行分割,而是先找到样本空间Ω的一个个划分为
,这样事件A就被事件
分解成了n部分,即
Step 4: 整合Step1、2、3,完工
作者:azhlm
链接:https://www.zhihu.com/question/51448623/answer/143664566
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
相关文章推荐
- 最大似然估计(Maximum likelihood estimation)(通过例子理解)
- 通过一个小例子来简单理解C语言中的内存空间管理
- Asp中通过简单的例子理解下ByVal和ByRef的用法
- 对于贝叶斯公式中的先验概率和后验概率和极大似然最简单理解
- Asp中通过简单的例子理解下ByVal和ByRef的用法
- 详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解
- 最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解
- 一个简单的例子理解C++ map, 运用map统计单词出现的次数
- 一个简单例子理解C#的协变和逆变
- 【实例】python中简单分句,通过替代句号 &给句尾(不是句首)添加序号
- asp.net通过反射技术实现Ajax(3)--第一个简单的例子
- 最大似然估计(MLE)最大后验概率估计(MAP)以及贝叶斯公式的理解
- 中级JavaScript例子, 如何实现一个简单实用的模板套用机制, GXTemplate , 第一章(估计要写9章)
- 设计模式(2)结合代码和例子来理解简单工厂模式
- 基础·通过代码构建简单DW
- ICE第二篇--一个"hello world"的简单例子
- 【词汇详解】一个简单有趣的例子理解--IOC(控制反转)
- "字符流"与"字节流"的简单理解
- js通过xmldom调用xslt对xml排序输出的一个简单例子.
- Mysql加锁过程详解(6)-数据库隔离级别(2)-通过例子理解事务的4种隔离级别