先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
来源:互联网 发布:文章植入广告软件 编辑:程序博客网 时间:2024/05/24 03:49
先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
总是搞混,这里总结一下常规的叫法:
先验概率:
事件发生前的预判概率。可以是基于历史数据的统计,可以由背景常识得出,也可以是人的主观观点给出。一般都是单独事件概率,如P(x),P(y)。
后验概率:
事件发生后求的反向条件概率;或者说,基于先验概率求得的反向条件概率。概率形式与条件概率相同。
条件概率:
一个事件发生后另一个事件发生的概率。一般的形式为P(x|y)表示y发生的条件下x发生的概率。
贝叶斯公式:
P(y|x) = ( P(x|y) * P(y) ) / P(x)
这里:
P(y|x) 是后验概率,一般是我们求解的目标。
P(x|y) 是条件概率,又叫似然概率,一般是通过历史数据统计得到。一般不把它叫做先验概率,但从定义上也符合先验定义。
P(y) 是先验概率,一般都是人主观给出的。贝叶斯中的先验概率一般特指它。
P(x) 其实也是先验概率,只是在贝叶斯的很多应用中不重要(因为只要最大后验不求绝对值),需要时往往用全概率公式计算得到。
实例:假设y是文章种类,是一个枚举值;x是向量,表示文章中各个单词的出现次数。
在拥有训练集的情况下,显然除了后验概率P(y|x)中的x来自一篇新文章无法得到,p(x),p(y),p(x|y)都是可以在抽样集合上统计出的。
最大似然理论:
认为P(x|y)最大的类别y,就是当前文档所属类别。即Max P(x|y) = Max p(x1|y)p(x2|y)…p(xn|y), for all y
贝叶斯理论:
认为需要增加先验概率p(y),因为有可能某个y是很稀有的类别几千年才看见一次,即使P(x|y)很高,也很可能不是它。
所以y = Max P(x|y) * P(y), 其中p(y)一般是数据集里统计出来的。
从上例来讲,贝叶斯理论显然更合理一些;但实际中很多先验概率是拍脑袋得出的(不准),有些甚至是为了方便求解方便生造出来的(硬凑),那有先验又有什么好处呢?一般攻击贝叶斯都在于这一点。
- 先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
- 先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
- 先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
- 先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
- 先验概率、后验概率与最大似然估计
- 先验概率、后验概率、最大似然等
- 先验概率、后验概率、最大似然估计
- 先验概率/后验概率/最大似然估计
- 先验概率,似然概率,后验概率
- 先验概率、似然函数、后验概率、贝叶斯公式
- 先验概率、似然函数、后验概率、贝叶斯公式
- 先验概率、似然函数、后验概率、贝叶斯公式
- 先验概率、后验概率、贝叶斯公式、 似然函数
- 先验概率、似然函数、后验概率、贝叶斯公式
- 先验概率、后验概率、条件概率
- 先验概率、最大似然估计、贝叶斯估计、最大后验概率
- 先验概率、最大似然估计、贝叶斯估计、最大后验概率
- 先验概率与后验概率、最大似然及贝叶斯公式
- hdu1062 - Text Reverse
- 继承SwipeRefreshLayout实现下拉刷新和上拉加载
- 数独问题
- java 集合学习笔记2-ArrayList LinkedList Vector 泛型 增强for 可变参数
- iOS 【一行代码集成一款精致的第三方OC日历——WZYCalendar】
- 先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
- 从学校评估谈起
- 工厂方法模式
- AppScript-批处理自动执行git push等操作
- POJ 3680 最小费用最大流
- 如何创建自己的SeetaFace Alignment工程
- Java的clone方法
- 五子棋游戏
- Android项目实践之菜鸟养成 (一)引言