機器學習-貝葉斯定理_第1頁
機器學習-貝葉斯定理_第2頁
機器學習-貝葉斯定理_第3頁
機器學習-貝葉斯定理_第4頁
機器學習-貝葉斯定理_第5頁
已閱讀5頁,還剩10頁未讀 繼續免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

貝葉斯定理貝葉斯定理全概率公式例有三個箱子,分別編號為1,2,3,1號箱裝有1個紅球4個白球,2號箱裝有2紅3白球,3號箱裝有3紅球.某人從三箱中任取一箱,從中任意摸出一球,求取得紅球的概率.解:記

Ai={球取自i號箱},

i=1,2,3;

B={取得紅球}123B發生總是伴隨著A1,A2,A3之一同時發生,即B=A1B+A2B+A3B,

且A1B、A2B、A3B兩兩互斥運用加法公式得P(B)=P(A1B)+P(A2B)+P(A3B)貝葉斯定理將此例中所用的方法推廣到一般的情形,就得到在概率計算中常用的全概率公式對求和中的每一項運用乘法公式得P(B)=P(A1B)+P(A2B)+P(A3B)代入數據計算得:P(B)=8/15貝葉斯定理

設A1,A2,…,An是兩兩互斥的事件,且P(Ai)>0,i=1,2,…,n,另有一事件B,它總是與A1,A2,…,An之一同時發生,則全概率公式:貝葉斯定理在較復雜情況下直接計算P(B)不易,但B總是伴隨著某個Ai出現,適當地去構造這一組Ai往往可以簡化計算.全概率公式的來由,不難由上式看出:“全”部概率P(B)被分解成了許多部分之和.它的理論和實用意義在于:

某一事件B的發生有各種可能的原因(i=1,2,…,n),如果B是由原因Ai所引起,則B發生的概率是

每一原因都可能導致B發生,故B發生的概率是各原因引起B發生概率的總和,即全概率公式。P(BAi)=P(Ai)P(B|Ai)全概率公式我們還可以從另一個角度去理解貝葉斯定理貝葉斯定理隨機選擇一個碗,從中摸出一顆糖,發現是水果糖。請問這顆水果糖來自一號碗的概率有多大?假定,C1表示一號碗,C2表示二號碗。P(C1)=0.5假定,E表示水果糖,問題是已知E的情況下,來自一號碗的概率有多大。后驗概率先驗概率水果糖求P(C1|E)貝葉斯定理隨機選擇一個碗,從中摸出一顆糖,發現是水果糖。請問這顆水果糖來自一號碗的概率有多大?水果糖

后驗概率貝葉斯定理

隨機選擇一個碗,從中摸出一顆糖,發現是水果糖。請問這顆水果糖更有可能是從哪個碗里取出來的?

P(C1)=0.5P(C2)=0.5先驗概率P(C1)+P(C2)=1待測樣本訓練樣本為什么使用后驗概率,而不采用先驗概率?

貝葉斯定理狀態1為正常細胞,狀態2為癌細胞,假設:計算得后驗概率為:

常量貝葉斯定理貝葉斯定理根據貝葉斯定理先驗概率(prior)樣本空間中各類樣本所占的比例,可通過各類樣本出現的頻率估計(大數定律)樣本相對于類標記的類條件概率,亦稱似然(likelihood)用于歸一化的證據因子,與類別標記無關ThomasBayes(1701?-1761)貝葉斯定理

后驗概率屬于哪一類別?

貝葉斯定理已知

P(C)=0.005,P()=0.995,

P(A|C)=0.95,P(A|)=0.04某一地區患有癌癥的人占0.005,患者對一種試驗反應是陽性的概率為0.95,正常人對這種試驗反應是陽性的概率為0.04,現抽查了一個人,試驗反應是陽性,問此人是癌癥患者的概率有多大?則表示“抽查的人不患癌癥”.求解如下:設C={抽查的人患有癌癥},A={試驗結果是陽性},

求P(C|A)貝葉斯定理由貝葉斯公式,可得現在來分析一下

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論