本文介绍了概率论中的关键概念，包括先验概率、后验概率和贝叶斯公式。通过公式P(B∣A)=P(A)P(A∣B)P(B)P(A)=P(A∣B)P(B)+P(A∣Bˉ)P(Bˉ)，阐述了如何在机器学习中应用这些概念。在机器学习中，将数据表示为A，模型表示为B，似然概率P(D∣M)、先验概率P(M)、事实概率P(D)和后验概率P(M∣D)被用来估计模型参数并进行统计推断。
概率论中，对于两个独立事件，它们的联合概率为P(A,B)=P(A∣B)P(B)=P(B∣A)P(A)P(A,B)=P(A\mid B)P(B)=P(B\mid A)P(A)P(A,B)=P(A∣B)P(B)=P(B∣A)P(A)进一步，得到贝叶斯公式：P(B∣A)=P(A∣B)P(B)P(A)P(B\mid A)=\frac{P(A\mid B)P(B)}{P(A)}P(B
先验概率、后验概率、贝叶斯公式
最低0.47元/天 解锁文章
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
