zoukankan      html  css  js  c++  java
  • [转] 先验概率与后验概率&&贝叶斯与似然函数

    from: https://blog.csdn.net/shenxiaoming77/article/details/77505549

    先验概率和后验概率

    教科书上的解释总是太绕了。其实举个例子大家就明白这两个东西了。

    假设我们出门堵车的可能因素有两个(就是假设而已,别当真):车辆太多和交通事故。

    堵车的概率就是先验概率 。

    那么如果我们出门之前我们听到新闻说今天路上出了个交通事故,那么我们想算一下堵车的概率,这个就叫做条件概率 。也就是P(堵车|交通事故)。这是有因求果。

    如果我们已经出了门,然后遇到了堵车,那么我们想算一下堵车时由交通事故引起的概率有多大,

    那这个就叫做后验概率 (也是条件概率,但是通常习惯这么说) 。也就是P(交通事故|堵车)。这是有果求因。

    下面的定义摘自百度百科:

    先验概率是指根据以往经验和分析得到的概率,如全概率公式,它往往作为"由因求果"问题中的"因"出现.

    后验概率是指依据得到"结果"信息所计算出的最有可能是那种事件发生,如贝叶斯公式中的,是"执果寻因"问题中的"因".

    那么这两个概念有什么用呢?

    最大似然估计

    我们来看一个例子。

    有一天,有个病人到医院看病。他告诉医生说自己头痛,然后医生根据自己的经验判断出他是感冒了,然后给他开了些药回去吃。

    有人肯定要问了,这个例子看起来跟我们要讲的最大似然估计有啥关系啊。

    关系可大了,事实上医生在不知不觉中就用到了最大似然估计(虽然有点牵强,但大家就勉为其难地接受吧^_^)。

    怎么说呢?

    大家知道,头痛的原因有很多种啊,比如感冒,中风,脑溢血...(脑残>_<这个我可不知道会不会头痛,还有那些看到难题就头痛的病人也不在讨论范围啊!)。

    那么医生凭什么说那个病人就是感冒呢?哦,医生说这是我从医多年的经验啊。

    咱们从概率的角度来研究一下这个问题。

    其实医生的大脑是这么工作的,

    他计算了一下

    P(感冒|头痛)(头痛由感冒引起的概率,下面类似)

    P(中风|头痛)

    P(脑溢血|头痛)

    ...

    然后这个计算机大脑发现,P(感冒|头痛)是最大的,因此就认为呢,病人是感冒了。看到了吗?这个就叫最大似然估计(Maximum likelihood estimation,MLE) 。

    咱们再思考一下,P(感冒|头痛),P(中风|头痛),P(脑溢血|头痛)是先验概率还是后验概率呢?

    没错,就是后验概率。看到了吧,后验概率可以用来看病(只要你算得出来,呵呵)。

    事实上,后验概率起了这样一个用途,根据一些发生的事实(通常是坏的结果),分析结果产生的最可能的原因,然后才能有针对性地去解决问题。

    那么先验概率有啥用呢?

    我们来思考一下,P(脑残|头痛)是怎么算的。

    P(脑残|头痛)=头痛的人中脑残的人数/头痛的人数

    头痛的样本倒好找,但是头痛的人中脑残的人数就不好调查了吧。如果你去问一个头痛的人你是不是脑残了,我估计那人会把你拍飞吧。

    接下来先验概率就派上用场了。

    根据贝叶斯公式 ,

    P(B|A)=P(A|B)P(B)/P(A)

    我们可以知道

    P(脑残|头痛)=P(头痛|脑残)P(脑残)/P(头痛)

    注意,(头痛|脑残)是先验概率,那么利用贝叶斯公式我们就可以利用先验概率把后验概率算出来了。

    P(头痛|脑残)=脑残的人中头痛的人数/脑残的人数

    这样只需要我们去问脑残的人你头痛吗,明显很安全了。

    (你说脑残的人数怎么来的啊,那我们就假设我们手上有一份传说中的脑残名单吧。那份同学不要吵,我没说你在名单上啊。

    再说调查脑残人数的话咱就没必要抓着一个头痛的人问了。起码问一个心情好的人是否脑残比问一个头痛的人安全得多)

    我承认上面的例子很牵强,不过主要是为了表达一个意思。后验概率在实际中一般是很难直接计算出来的,相反先验概率就容易多了。因此一般会利用先验概率来计算后验概率。

    似然函数与最大似然估计

    下面给出似然函数跟最大似然估计的定义。

    我们假设f是一个概率密度函数,那么

    x/mapsto f(x/mid/theta), /!

    是一个条件概率密度函数(θ 是固定的)

    而反过来,

    /theta/mapsto f(x/mid/theta), /!

    叫做似然函数 (x是固定的)。

    一般把似然函数写成

    L(/theta /mid x)=f(x/mid/theta), /!

    θ是因变量。

    而最大似然估计 就是求在θ的定义域中,当似然函数取得最大值时θ的大小。

    意思就是呢,当后验概率最大时θ的大小。也就是说要求最有可能的原因。

    由于对数函数不会改变大小关系,有时候会将似然函数求一下对数,方便计算。

    例子:

    我们假设有三种硬币,他们扔到正面的概率分别是1/3,1/2,2/3。我们手上有一个硬币,但是我们并不知道这是哪一种。因此我们做了一下实验,我们扔了80次,有49次正面,31次背面。那么这个硬币最可能是哪种呢?我们动手来算一下。这里θ的定义域是{1/3,1/2,2/3}

    /begin{align}/Pr(/mathrm{H} = 49 /mid p=1/3) & = /binom{80}{49}(1/3)^{49}(1-1/3)^{31} /approx 0.000 //[6pt]/Pr(/mathrm{H} = 49 /mid p=1/2) & = /binom{80}{49}(1/2)^{49}(1-1/2)^{31} /approx 0.012 //[6pt]/Pr(/mathrm{H} = 49 /mid p=2/3) & = /binom{80}{49}(2/3)^{49}(1-2/3)^{31} /approx 0.054./end{align}

    当p=2/3时,似然函数的值最大,因此呢,这个硬币很可能是2/3。

  • 相关阅读:
    老王讲架构:负载均衡
    支付宝系统架构内部剖析
    Effective Java 第三版——61. 基本类型优于装箱的基本类型
    Effective Java 第三版——60. 需要精确的结果时避免使用float和double类型
    Effective Java 第三版——59. 熟悉并使用Java类库
    Effective Java 第三版——58. for-each循环优于传统for循环
    Effective Java 第三版——57. 最小化局部变量的作用域
    Effective Java 第三版——56. 为所有已公开的API元素编写文档注释
    Effective Java 第三版——55. 明智而审慎地返回Optional
    Effective Java 第三版——54. 返回空的数组或集合不要返回null
  • 原文地址:https://www.cnblogs.com/Arborday/p/10860304.html
Copyright © 2011-2022 走看看