本文深入解析了贝叶斯公式的构成要素及其应用。详细解释了后验概率、似然估计、先验分布和证据的概念，以及它们在贝叶斯公式中的作用。通过实例说明了如何使用该公式进行概率推断，特别强调了在有先验知识的情况下，如何从已知结果寻找可能的原因。
贝叶斯公式
p
(
θ
∣
x
)
=
p
(
x
∣
θ
)
p
(
θ
)
p
(
x
)
p( \theta|x)=\frac {{p(x|\theta)}p{(\theta)}}{p(x)}
p(θ∣x)=p(x)p(x∣θ)p(θ)
x
x
x: 观测得到的数据（结果）
θ
\theta
θ: 决定数据分布的参数（原因）
p
(
θ
∣
x
)
p( \theta|x)
p(θ∣x): 后验概率，已知结果找原因
p
(
x
∣
θ
)
p(x|\theta)
p(x∣θ): 似然估计，已经原因求结果
p
(
θ
)
p(\theta)
p(θ): 先验分布，先于结果
p
(
x
)
p(x)
p(x): evidence（全概率公式）
（公式中的 “|”读作 given，即给定的意思。如P(A|B) 即A given B 的概率）
最大似然估计是在对被估计量没有任何先验知识的前提下求得的。如果已知被估计参数满足某种分布，则需要用到最大后验估计。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
