贝叶斯算法英国数学家.pdfVIP

贝叶斯 贝叶斯简介： 贝叶斯(约1701-1761) Thomas Bayes，英国数学家 贝叶斯方法源于他生前为解决一个“逆概”问题写的一篇文章 贝叶斯 贝叶斯要解决的问题： 正向概率：假设袋子里面有N个白球，M个黑球，你伸手进去摸一把，摸 出黑球的概率是多大 逆向概率：如果我们事先并不知道袋子里面黑白球的比例，而是闭着眼睛 摸出一个（或好几个）球，观察这些取出来的球的颜色之后，那么我们可 以就此对袋子里面的黑白球的比例作出什么样的推测 贝叶斯 Why贝叶斯？ 现实世界本身就是不确定的，人类的观察能力是有局限性的 我们日常所观察到的只是事物表面上的结果，因此我们需要 提供一个猜测 贝叶斯 男生：60% 女生：40% 男生总是穿长裤，女生则一半穿长裤一半穿裙子 正向概率：随机选取一个学生，他（她）穿长裤的概率和穿裙子的概率是多大 逆向概率：迎面走来一个穿长裤的学生，你只看得见他（她）穿的是否长裤， 而无法确定他（她）的性别，你能够推断出他（她）是女生的概率是多大吗？ 贝叶斯 假设学校里面人的总数是U 个 穿长裤的（男生）：U * P(Boy) * P(Pants|Boy) P(Boy) 是男生的概率= 60% P(Pants|Boy) 是条件概率，即在Boy 这个条件下穿长裤的概 率是多大，这里是100% ，因为所有男生都穿长裤 穿长裤的（女生）：U * P(Girl) * P(Pants|Girl) 贝叶斯 求解：穿长裤的人里面有多少女生 穿长裤总数：U * P(Boy) * P(Pants|Boy) + U * P(Girl) * P(Pants|Girl) P(Girl|Pants) = U * P(Girl) * P(Pants|Girl)/ 穿长裤总数 U * P(Girl) * P(Pants|Girl) / [U * P(Boy) * P(Pants|Boy) + U * P(Girl) * P(Pants|Girl)] 贝叶斯 与总人数有关吗？ U * P(Girl) * P(Pants|Girl) / [U * P(Boy) * P(Pants|Boy) + U * P(Girl) * P(Pants|Girl) 容易发现这里校园内人的总数是无关的，可以消去 P(Girl|Pants) = P(Girl) * P(Pants|Girl) / [P(Boy) * P(Pants|Boy) + P(Girl) * P(Pants|Girl)] 贝叶斯 化简： P(Girl|Pants) = P(Girl) * P(Pants|Girl) / [P(Boy) * P(Pants|Boy) + P(Girl) * P(Pants|Girl)] 分母其实就是P(Pants) 分子其实就是P(Pants, Girl) 贝叶斯 贝叶斯公式 贝叶斯 拼写纠正实例： 问题是我们看到用户输入了一个不在字典中的单词，我们需要去猜 测：“这个家伙到底真正想输入的单词是什么呢？ P(我们猜测他想输入的单词 |他实际输入的单词) 贝叶斯 用户实际输入的单词记为D （D 代表Data ，即观测数据） 猜测1：P(h1 | D)，猜测2：P(h2 | D)，猜测3：P(h1 | D) 。。。 统一为：P(h | D) P(h | D) = P(h) * P(D | h) / P(D) 贝叶斯 用户实际输入的单词记