悖论

最新推荐文章于 2025-06-05 15:13:59 发布
原创 最新推荐文章于 2025-06-05 15:13:59 发布 · 261 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#随笔

那个什么伦理难题抽象点来看就是有人大难临头了，然后你有办法可以把这个人的灾难转移到另一个人身上。那么，你做还是不做呢？这是个纠结的问题。暂时从一个角度出发考虑，忽略其他客观实际因素的影响。也就是说，不管你怎么选择，你都是遗憾的，你的选择无法让你得到完美的答案。那就是你的选择和结果无关咯。所以说，我们是否真需要去纠结于我们的选择呢？我们是不是因该超脱选择的束缚而去找寻新的方式去获得完美的答案呢？


wyaocn
关注
关于楼梯悖论
杨铸人的博客
12-03 2691
现在，让我们考虑极限的情况，也就是说，其折段的次数无限增加，那么最终，这个楼梯就会显得像是斜坡本身，而我们知道，根据勾股定理，这时候斜坡的斜边长度为，其中，若令x方向上的一个单位为1，同时y方向上的一个单位相当于x方向上一个单位的5倍（当然这个长度也是y方向上的单位1），那么我们就可以在这个平面上找到一个点，它的坐标为。这里的所谓垂直它的另一个方向，是单独一个方向，而不是相反的两个方向。这句话的意思是：相互垂直的两个方向上，若选定一个方向为标准，则垂直它的另一个方向，单位的大小同时可以是标准方向的。
概率的一个悖论
weixin_30639719的博客
08-12 238
如下图 方便起见,我们假设预先不知道钱数,而让钱数服从一个分布(这样,单点分布就是已知的情况). 已知箱子A, B中总钱数$X\in (0,\infty)$服从分布$P$, $A$中的钱有$1/2$几率是$B$中前的两倍, $B$的钱有$1/2$几率是$A$的两倍. 悖论是当$A$箱子有$n$这么多钱时, $B$箱有两种情况, $n/2$或者$2n$, 此时其均值是$\fr...
MLAPP 读书笔记 - 05-1 贝叶斯统计(Bayesian statistics)
zzk0126的博客
08-19 962
转载：cycleuser侵权立删，本意是为广大学习爱好者提供中文资料，同时在这里补充了图片，方便阅读，如果有任何法律问题，我会立即删除。之前咱们已经看到过很多不同类型的概率模型了,然后也讲了如何用这些模型拟合数据,比如讲到了如何去进行最大后验估计(MAP)参数θ^=arg⁡max⁡p(θ∣D)\hat\theta =\arg\max p(\theta|D)θ^=argmaxp(θ∣D),使用各种不同先验等等.还讲了全后验(full posterior)p(θ∣D)p(\theta|D)p(θ∣D),以及一些
论文研究 - 骗子骗子：揭秘骗子悖论证据的真相讲师指南
05-21
讲真话的人似乎是对还是错，但是并没有公认的原则来确定它是谁。 从这个角度来看，讲真话的人是一个谬论。 悖论是一个像悖论一样的难题，但是是一致的。 有时，接受附加原则会将伪装成悖论。 相反，在某些情况下，撤消或限制原则会使悖论转化为次要悖论。 最后一点提出了一种避免不一致的新方法。 本文提供了一个重要的例子。 说谎者悖论可以通过相对最小限度地限制以下三个原则来化解为次要悖论：T型架构，相同替换和通用实例化。 这些限制不是任意的。 对于每个假设，我都给出了一些假设来确定矛盾的根源。 然后，我提出每种限制，作为解决该矛盾根源的合理方法。
统计悖论
RUC_Lee的博客
11-10 1466
统计悖论1 友谊悖论（Friendship Paradox）1.1 文字版1.2 公式版1.3 现实意义2 布雷斯悖论2.1 未开通A》B路线2.2 开通A》B路线2.3 其余布雷斯悖论的例子3 参考 最近在学习一个统计学的课程，其中涉及到几个统计悖论，笔者感觉很有意思，特总结一波和大家进行分享~ 1 友谊悖论（Friendship Paradox） 1.1 文字版 一个人朋友的数量往往比他朋友的朋友数量要少！ 比如上图中每个节点代表一个人物，横线表示两者是朋友关系，故各自朋友的数量为： A：1 B：3
终于有人把生日悖论讲明白了
热门推荐
weixin_43178406的博客
04-15 8万+
大家好，我是爱编程的喵喵。但实际上，我们可以这样计算：第一个学生的生日可以是任意一天，第二个学生的生日与第一个学生不同的概率是364/365，第三个学生的生日与前两个都不同的概率是363/365，以此类推。而如果一个班级的人数是50人，至少有两个同学同一天生日的概率大约是97.04%。生日悖论是一个概率论中的现象，它说明了在一定的条件下，一个不太可能的偶然事件发生的概率会比直觉认为的要大得多。具体来说，生日悖论指的是，在一个随机选择的23人群体中，至少有两个人生日相同的概率超过50%。影响全球千万程序员！
辛普森悖论
hulala_wuqiang的博客
02-22 4614
今天发现一个很有意思的东西，记录下来： 下一段来自百度百科 辛普森悖论（Simpson's Paradox）亦有人译为辛普森诡论，为英国统计学家E.H.辛普森（E.H.Simpson）于1951年提出的悖论，即在某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论。 当人们尝试探究两种变量是否具有相关性的时候，比如新生录取率与性别，报酬与性别等，会分...
命令与征服：心灵终结 3.3.6 悖论代码
11-17
;;3.3.6 ;;;;代码注释;;;; ;;Parasiteable=no ;寄生免疫 ;;Prerequisite= ;先决条件 ;;Sight=200 ;视野 200几乎全屏 ;;PitchSpeed=10 转向速度 PitchAngle=0 转向角度 ;; 可以对舰：AN=yes ...悖论主代码 .....
matlab代码做游戏-Parrondos-Paradox:帕隆多的悖论是博弈论中的悖论，其描述为：失败策略的组合成为获胜策略
05-21
matlab代码做游戏帕龙多悖论 该存储库存储用于模拟Parrondo悖论的MATLAB代码以及描述我们的结果的论文。 帕龙多的悖论是一种看似荒谬的现象，其中两种失败的策略可以组合起来产生胜利的结果。 该资料库中的现在内容...
漫画：博弈论系列 之 辛普森悖论
01-06
辛普森悖论：羊羊医院里统计了两种胆结石治疗方案的治愈率。在统计过程中，医生将病人分为大胆结石和小胆结石两组。统计结果如下： 对于小胆结石而言，手术A的治愈率（93%）高于 手术B（87%） 对
python实现生日悖论分析
12-21
生日悖论是一个经典的概率问题，它指出在一个房间里只要有23人，就存在至少两人拥有相同生日的概率超过50%。这个悖论揭示了小概率事件在大样本下的可能性。通过Python编程，我们可以模拟这个现象来验证这个理论。 ...
读《从惊讶到思考 数学悖论奇景》二分 - 悖论的开始
二分掌柜的
06-05 849
flyfish
MLAPP————第六章 频率派统计
marmove的博客
11-21 1945
第六章 频率派统计 6.1 简介 在第五章我们讨论的贝叶斯统计的这套方法，在一些非统计学问题中，比如医疗诊断，垃圾邮件过滤，飞机追踪等问题上，大家都是用贝叶斯的这一套去做。但是在很多统计学问题上，却存在一些争议，主要有一部分认为不应该用随机变量来刻画统计模型里面的参数。 那么统计学派的这些人，他们就希望能够找到一些统计的方法，而不是将参数设置为随机变量，用贝叶斯那一套去做。这样的方法被称作频...
贝叶斯悖论
最新发布
06-28
### 贝叶斯悖论的概念 贝叶斯悖论（Bayesian Paradox）通常并不是一个严格的数学悖论，而是指在使用贝叶斯推理时出现的一些看似违反直觉的结果或解释。这种现象通常源于先验概率与后验概率之间的关系，以及数据对假设的支持程度如何被重新评估的过程。 一个经典的例子是“假阳性问题”：假设有一种疾病发病率非常低（例如0.1%），而检测方法的准确率很高（例如99%的真阳性率和99%的真阴性率）。当一个人测试结果为阳性时，人们往往会认为这个人几乎肯定患病。然而，通过贝叶斯定理计算得出的实际概率却远低于预期，这表明即使测试结果为阳性，该人实际患病的概率仍然较低[^3]。 ### 概率推理中的影响 贝叶斯悖论揭示了人类直觉在处理不确定信息时可能存在的偏差，并强调了基础概率（即先验概率）的重要性。它提醒我们在进行决策时不应忽视背景知识或普遍情况的发生频率。此外，这一概念也突出了条件概率的作用，以及如何正确地更新我们对于事件发生的信念以反映新的证据[^3]。 ### 在统计学中的应用 在统计学中，贝叶斯悖论促使研究者更加谨慎地选择和解释他们的模型参数。它推动了对贝叶斯方法的理解深化，尤其是在处理稀有事件分析、医学诊断测试评估等领域。通过对贝叶斯定理的应用，研究人员能够更准确地估计给定观测数据下不同假设的真实可能性[^3]。 ### 在机器学习中的应用 在机器学习领域，贝叶斯悖论的影响体现在以下几个方面： - **模型选择**：通过比较不同模型根据训练数据调整后的后验概率，可以帮助选择最合适的模型。 - **特征选择**：利用贝叶斯方法可以评估各个特征对于预测目标变量的重要性。 - **不确定性量化**：贝叶斯框架允许直接建模预测的不确定性，这对于风险敏感型应用至关重要。 ```python from sklearn.naive_bayes import GaussianNB from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 创建分类数据集 X, y = make_classification(n_features=2, n_redundant=0, n_informative=2, n_clusters_per_class=1, n_samples=1000) # 分割训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25) # 使用高斯朴素贝叶斯分类器 model = GaussianNB() model.fit(X_train, y_train) y_pred = model.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print(f"Model Accuracy: {accuracy}") ``` 上述代码展示了如何使用基于贝叶斯原理的朴素贝叶斯分类器来进行简单的二分类任务。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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