<script type="text/x-mathjax-config">
MathJax.Hub.Config({
extensions: ["tex2jax.js"],
jax: ["input/TeX"],
tex2jax: {
inlineMath: [ ['$','$']],
displayMath: [ ['$$','$$']],
processEscapes: true
}
});
</script>
<script type="text/javascript" src="https://cdn.mathjax.org/mathjax/latest/MathJax.js?config=TeX-AMS_HTML,http://myserver.com/MathJax/config/local/local.js">
</script>
Naive Bayes
这是一个 民间学术“屌丝” 在死后才 逆袭 的故事
Thomas Bayes(1702-1763)《An essay towards solving a problem in the doctrine of chances》
对偶问题
: 在解决具体某个问题 P 的时候,往往由于参数、定义域等问题,不好直接处理。但可以把问题 P 转换成与之等价的问题 Q。通过解决 Q问题,来得到 P问题 的解。这时,Q问题就叫做P问题的“对偶问题”
1. 贝叶斯方法
“有一个袋子,里面装着若干个白球和黑球,请问从袋子中取得白球的概率θ是多少?频率派认为是 1/2, ”贝叶斯认为取得白球的概率是个不确定的值,因为其中含有机遇的成分。
比如,一个朋友创业,你明明知道创业的结果就两种,即要么成功要么失败,但你依然会忍不住去估计他创业成功的几率有多大?你如果对他为人比较了解,而且有方法、思路清晰、有毅力、且能团结周围的人,你会不由自主的估计他创业成功的几率可能在80%以上。这种不同于 “非黑即白、非0即1”的思考方式,便是贝叶斯式的思考方式。
频率派
把需要推断的参数θ看做是固定的未知常数,即概率虽然是未知的,但最起码是确定的一个值,同时,样本X 是随机的,所以频率派重点研究样本空间,大部分的概率计算都是针对样本X 的分布;
贝叶斯派
认为参数是随机变量,而样本X 是固定的,由于样本是固定的,所以他们重点研究的是参数的分布。
贝叶斯派既然把看做是一个随机变量,所以要计算的分布,便得事先知道的无条件分布,即在有样本之前(或观察到X之前),有着怎样的分布呢?
比如往台球桌上扔一个球,这个球落会落在何处呢?如果是不偏不倚的把球抛出去,那么此球落在台球桌上的任一位置都有着相同的机会,即球落在台球桌上某一位置的概率服从均匀分布。这种在实验之前定下的属于基本前提性质的分布称为先验分布,或的无条件分布。
至此,贝叶斯及贝叶斯派提出了一个思考问题的固定模式:
先验分布 == 无条件分布
先验分布 $ pi(theta) $ + 样本信息 后验分布
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。