联合/先验/后验概率、似然函数

本文深入探讨了联合概率的概念,解释了两个事件同时发生的概率表示,并讨论了当事件相互独立时的概率表示。此外,还介绍了条件概率以及全概率和后验概率在统计推断中的重要性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这是一个由联合概率引发的一连串有趣的故事。

联合概率

p(x) 表示 x 发生的概率,p(y)表示 y 发生的概率,则xy同时发生的概率为:

p(x,y)=p(x|y)p(y)=p(y|x)p(x)

特别的,当 xy 独立时,上式可以写作:

p(x,y)=p(x)p(y)

原因在于,当 xy 独立时,即x的发生与y的发生不相关,因此就有 p(x|y)=p(x) ,同理 p(y|x)=p(y) 。现在,我们将联合概率变下形,可以得到:

条件概率

p(x|y)=p(x,y)p(y)p(y|x)=p(x,y)p(x)

全概率

p(x)=i=1Mp(x|yi)p(yi)

其中, Mi=1p(yi)=1 ,也就是说对于y的M种(所有)情况都要考虑到。

后验(逆)概率

p(yi|x)=p(x,yi)p(x)=p(x|yi)p(yi)Mj=1p(x|yj)p(yi)

参考

http://www.cnblogs.com/ldphoebe/p/5041813.html

### 贝叶斯公式及其组成部分 贝叶斯公式是一种用于更新概率估计的强大工具,在机器学习领域具有广泛应用。该公式允许通过引入新的证据来调整初始假设的概率。 #### 先验概率 (Prior Probability) 先验概率表示在观察任何数据之前对于某个事件发生的信念程度[^1]。这通常基于先前的知识或经验得出,可以视为模型训练前对参数分布的一种猜测。例如,在垃圾邮件分类器中,可以根据历史记录设定某封电子邮件是垃圾邮件的先验概率。 #### 后验概率 (Posterior Probability) 后验概率是在考虑了新获得的信息之后所得到的目标变量取特定值的可能性大小。具体来说就是当给定了某些观测结果时,我们能够更精确地推断出未知量的状态。继续上面的例子,收到一封具体的邮件后,根据其特征重新评估它是垃圾邮件的概率就属于后验概率。 #### 类条件概率 (Likelihood or Class Conditional Probabilities) 类条件概率指的是给定类别下样本属性出现的概率密度函数\(P(x|C_k)\),其中\(x\)代表输入向量而\(C_k\)则指代第k个类别标签[^2]。这类概率反映了不同类型的对象在其所属群体内的典型表现形式;比如图像识别任务里,圆形物体的颜色分布模式就可以看作是一个典型的类条件概率实例。 ### 机器学习中的应用案例 利用上述概念构建预测模型的一个经典例子便是朴素贝叶斯分类算法: ```python from sklearn.naive_bayes import GaussianNB import numpy as np # 创建简单二维数据集 X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]]) Y = np.array([0, 0, 0, 1, 1, 1]) clf = GaussianNB() clf.fit(X, Y) print(clf.predict([[0.8, 1]])) ``` 在这个简单的二元分类问题中,`GaussianNB()`实现了高斯朴素贝叶斯方法,它假定各维度上的特征服从正态分布并独立于其他维度。因此可以通过计算每种类别的联合概率——即乘积形式下的先验与相应条件下似然度之积——最终选取最大者作为输出标记。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值