|
导读：本文为大家详细介绍概念学习中常见的贝叶斯理论。通过一个简单示例，了解概率的基本定理之一。 作者：Jaime Zornoza 翻译：李洁 来源：数据派THU（ID：DatapiTHU） 本文需要你有一些概率和统计的基本知识。如果你没有，别怕，我已经收集了一系列我能找到的最好的资源来为你介绍这些主题，以便你阅读，理解和充分享受文章内容。 在这篇文章中，我们将讨论概率论中最著名和最常用的定理之一：贝叶斯定理。从未听说过吗? 那你就有福了！已经了解了吗？那就继续读下去，用一个简单例子来巩固你的知识，以便你也可以用简单的术语向别人解释。 在以后的文章中，我们将学习一些更实用的贝叶斯定理的简化，以及其他机器学习的概率方法，例如隐马尔可夫模型。 我们开始吧！ 01 概率介绍在本节中，我列出了三个非常棒的简洁的资源（主要是前两个，第三个更广泛一点），以提供理解本文所需要了解的概率基础。不用担心，这些概念非常简单，只要快速阅读一下你就肯定能完全理解它们。
好了，现在你可以继续读剩下的内容了，坐下来，放松并享受吧。 02 贝叶斯定理谁是贝叶斯？托马斯·贝叶斯（Thomas Bayes，1701年-1761年）是英国神学家、数学家，皇家学会（世界上最古老的国家科学学会，也是英国促进科学研究的领先国家组织）会员。其他的科学家也加入了皇家学会， 例如牛顿，达尔文和法拉第。他提出了最重要的概率定理之一，并以他的名字命名：贝叶斯定理，或条件概率定理。 ▲尊敬的托马斯·贝叶斯的画像，贝叶斯定理之父 03 定理：条件概率为了解释这个定理，我们将举一个非常简单的例子。假设你被诊断出患有非常罕见的疾病，这种病患的比例仅是人口的0.1％，即每千人中有1人。
▲贝叶斯的条件概率公式 等号左边的P（H|E）项是已经在疾病测试中诊断为阳性（E）的条件下患病（H）的概率，这是我们实际想要计算的。概率项中的竖线（|）表示条件概率（即， B的条件下A的概率表示为P（A|B））。
▲解构了测试结果为阳性的概率
▲描述贝叶斯定理公式所涉及的每一项 对于我们来说，请记住，假设H患有疾病，事件E为在此类疾病的测试中被诊断为阳性。
▲条件概率的计算
▲计算结果 9%！我们得这种病的几率只有9%！“这怎么可能呢?”你可能在问自己。魔法吗？不，我的朋友们，这不是魔法，这只是概率：应用数学的常识。 像丹尼尔·卡尼曼(Daniel Kahneman)在《思考，快与慢》中所描述的那样，人的大脑很难估计和计算概率，就像前面的示例所展示的一样，所以我们应该警惕直觉的惯性思考，后退一步，使用所能用的概率工具。
▲计算第二次检验为阳性后的条件概率
▲第二次检验为阳性的结果 现在我们实际患此病的几率变高了，为91％。尽管情况看起来很糟糕，但在两次检测呈阳性后，我们仍然不能完全确定我们是否患有这种疾病。确定性似乎不存在于概率的世界。 04 定理背后的事实这个著名定理背后的事实是，我们永远不可能完全确定这个世界，因为它是一个不断变化的存在，变化是现实的本质。然而，我们可以做的是，就像这个定理所表达的，随着我们获得越来越多的数据或证据，我们对现实的认识有了更新和提高。
随着越来越多的黄球落地，并且你知道它们相对于第一个蓝球的落地位置，逐渐增多了对蓝球的可能位置的了解，而排除了花园的某些部分：随着我们获得更多证据（更多的黄球）我们更新了知识（蓝球的位置）。
就这些，我希望你喜欢这个帖子。你可以在LinkedIn上和我联系，或者在Twitter上关注我@jaimezorno。另外，你也可以看看我其他关于数据科学和机器学习的文章。祝你阅读愉快！ 原文标题：Probability Learning I: Bayes' Theorem 原文链接： https://www./2019/10/probability-learning-bayes-theorem.html 关于译者：李洁，香港科技大学电信学硕士毕业生，现任北京师范大学香港浸会大学联合学院 数据科学系助教。喜欢数据科学，喜欢阅读，喜欢研究代码和做手工。希望一直保持学习的状态和对生活的热爱，每天都快乐而有进步~  |
|
|
