概率论贝叶斯公式

关于贝叶斯和全概述公式的定义到处都是,但是经常还是有人容易混淆,
在看了N多视频教程之后,无意中看到一个UP主的视频,
瞬间醍醐灌顶!!!秒懂!!!简单易懂并且永不相忘。

三步应用贝叶斯定理

1)单独每条线所在事件的概率
分别是P(A1)和 P(B|A1)....P(An)和P(B|An)
2)全概率就是所有路线的总和
全概率P(B)就是所有1-n线的概率总和
3)某条路线的概率就是贝叶斯概率
中间某条线的概率就是贝叶斯概率,如计算P(Ai|B)的概率就是相对那条线发生的概率除以B(B)的概率。
贝叶斯定理是概率论中最重要的公式之一,这个公式在科学发现中处于核心地位,是机器学习&人工智能的核心工具,甚至可以用来寻宝;
贝叶斯定理通过量化、系统化地改变看法。数据分析的时候,可以利用它来验证有多大程度能肯定或者否定他们的模型;程序员有时候会用它构建人工智能,还可以显示地、数值化地为机器想法建模;

贝叶斯定理甚至可以以某种方式重新塑造我们对思考本身的看法。

1)公式说明
008.png

先验概率P(H)在没有任何证据H的情况下,我们认为假设为真的概率值。也就是我们对该信息的掌握程度,取值一般来自于历史数据或者经验。
P(E)证据E发生的概率
似然概率P(E|H)在假设H为真的情况下,能看到证据E的概率
后验概率P(H|E)在给定证据E的情况下,探究这个假设H为真的概率

2)证据不应该直接决定你的想法,而是更新你的想法
就是先承认我们对这个事物认知假设H的不完整,然后基于不同证据调整认知。 这是为什么? 稍微调整一下这个公式,
008.png
,将其转化为
009.png
P(E|H)/P(E)表示看到证据后E的调整值。 证据E与假设H存在一定的关联性,因此两者的交集不为空集。事件已经表征落入H&E,这样落入H中的概率就增大了,使得我们的认知可信度提高了。
因此,对应的公式可以理解为 后验信息=先验信息*证据带来的信息调整 ,这也就告诉我们证据E对推断假设H发生不发生有着很大的重要作用,可以基于证据调整我们对事情的认知。
这也是我们为什么能够在有实验数据、用户行为数据的情况下,把他们当做证据,利用我们有限的知识信息,也即先验概率,可以不断更新我们对事物的认