【机器学习】贝叶斯定理之新解释
在机器学习概率部分,经常会看到先验概率、后验概率,总是感觉特别懵逼。今天刚好打开贝叶斯思维这本书,里面讲了贝叶斯的另一种解释。
历时诠释
主要思路:根据数据集D的内容变化更新假设概率H的方法。
“历时”意味着某些事情随着时间而发生;
在考虑H和D的情况下,贝叶斯的表达式可以写为:
p(H|D) = p(H)*p(D|H)/p(D)
在这种解释里,每项的意义如下:
- p(H) 称为先验概率,即在得到新数据前某一假设的概率。
- p(H|D)称为后验概率,即在看到数据后,我们要计算的该假设的概率。
- p(D|H)是该假设下得到这一数据的概率,称为似然度。
- p(D)是在任何假设下得到这一数据的概率,称为标准化常量。
——以上来自书籍《贝叶斯思维:统计建模的Python方法》 作者:Allen B.Downey.