機器學習 - 樸素貝葉斯(上)- 概率論基礎
機器學習 - 樸素貝葉斯(上)- 概率論基礎
-
概率
-
聯合概率,邊緣概率 and 條件概率
有事件 和事件 :
條件概率 為 ,表示在事件 發生的條件下,事件 發生的概率。
聯合概率 為 ,表示事件 和事件 同時發生的概率。其中:
邊緣概率 為 ,表示在不考慮事件 的情況,只需滿足 的概率。
-
先驗概率 and 後驗概率
先驗概率
是指根據以往經驗和分析得到的概率,如全概率公式,它往往作為"由因求果"問題中的"因"出現的概率。後驗概率
是指在得到“結果”的資訊後重新修正的概率,是“執果尋因”問題中的"果"。先驗概率與後驗概率有不可分割的聯絡,後驗概率的計算要以先驗概率為基礎。可通過貝葉斯公式求得。先驗概率是通過現有歷史資料計算得到,而不是根據有關自然狀態的全部資料測定的。後驗概率是在歷史資料上又添加了新的資料,使用了有關自然狀態更加全面的資料的基礎上,對先驗概率的修正。
-
全概率公式
設 , 包含有限或無限個事件,這些事件兩兩互斥且在每次試驗中至少發生一個,它們將樣本空間進行了劃分,把具有這些性質的一組事件稱為一個 完備事件組。
圖中,樣本空間被完備事件組 劃分成 5 各區域。
設 為另一個事件( 同樣也可把某一樣本空間進行區域劃分,在這裡不予展示)。且在此假設 對事件 的發生會產生影響。
全概率公式:
-