AI(5)-趣谈贝叶斯-条件概率-一看就懂

贝叶斯的方法

      贝叶斯方法的本质就是从结果推测出成因。

      比如你怀疑老王是杀人凶手，但你没有证据，所以你怀疑度比较低，有一天，你从老王家搜出了凶器，这个证据会加重你对老王的怀疑。

     这是个哲学问题。

     如何量化证据和论断呢？贝叶斯提出什么叫“信”，什么叫“不信”，对某个假设的相信程度应该用一个概率来表示P(假设)。

    P=1就是绝对相信，P=0就是绝对不信，P=15%就是有一点相信，这就是量化了。

   P(假设|证据)这就叫条件概率。

   P(A|B)的意思就是B事件真的条件下，A事件的概率。

 B                      A

结果 -----------成因

带伞 -----------下雨

老王凶手-----老王家找到凶器

我们想算的是P(假设|证据) 这叫“逆概率”，从结果推出成因。

AB 都发生的概率有多大？

1. 先算B,再算B发生情况下A的概率，P(B)*P(A|B)
2. 先算A,再算A发生情况下B的概率，P(A)*P(B|A)
3. 这两个应该相等P(B)*P(A|B)= P(A)*P(B|A)

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

这就是贝叶斯公式。很容易理解吧。