理解贝叶斯公式 P(A|B)P(B)=P(A)P(B|A)

最新推荐文章于 2024-11-28 15:59:54 发布
最新推荐文章于 2024-11-28 15:59:54 发布
阅读量1.2w 收藏 4
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/guotong1988/article/details/103698993
本文通过级联图的方式深入解析了贝叶斯公式的应用，详细展示了如何利用已知条件概率来推导未知事件的概率，通过具体实例说明了即使在B变量变化的情况下，对A的影响依然保持不变。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

贝叶斯公式应该画级联的图来理解
贝叶斯
明确
P(A=0) = 0.5
P(B=0|A=0) = 0.6
P(B=0) = 0.6*0.5 + 0.25*0.6 + 0.25*0.6 = 0.6
则应用贝叶斯公式
P(A=0|B=0) = P(A=0)P(B=0|A=0) / P(B=0) = 0.5*0.6/0.6 = 0.5

明确
P(A=1) = 0.25
P(B=0|A=1) = 0.6
P(B=0) = 0.6*0.5 + 0.25*0.6 + 0.25*0.6 = 0.6
则应用贝叶斯公式
P(A=1|B=0) = P(A=1)P(B=0|A=1) / P(B=0) = 0.25*0.6/0.6 = 0.25

明确
P(A=2) = 0.25
P(B=0|A=2) = 0.6
P(B=0) = 0.6*0.5 + 0.25*0.6 + 0.25*0.6 = 0.6
则应用贝叶斯公式
P(A=2|B=0) = P(A=2)P(B=0|A=2) / P(B=0) = 0.25*0.6/0.6 = 0.25

可以看出B无论是0还是1，不影响A，合理

结论：

贝叶斯公式应该画级联的图来理解

【机器学习】贝叶斯公式： P(B|A)=P(B)P(A|B)/P(A)
fxflyflyfly的博客
01-17 9931
贝叶斯公式： P(B|A)=P(B)P(A|B)/P(A) P(AB)：AB同时发生的概率 P(A|B): 在B发生的条件下，A发生的概率 一、病人分类的例子 让我从一个例子开始讲起，你会看到贝叶斯分类器很好懂，一点都不难。 某个医院早上收了六个门诊病人，如下表。 症状　　 职业　　 疾病 打喷嚏　 护士　　 感冒 打喷嚏　 农夫　　　 过敏 头痛　　 ...
贝叶斯公式的理解
tugouxp的专栏
10-06 2700
人们会说，懂了很多的道理，却仍然过不好这一生.其实这句话体现了贝叶斯的思想，我们用别人的先验知识，指导不了自己的实际情况，别人的模型，不一定适合自己。
概率论中的独立性---P(B)、P(B|A)、P(AB)联系与区别
热门推荐
Zijie123pea的博客
01-11 5万+
定义： 若A、B两个事件满足： P(AB)=P(A)P(B)P(AB)=P(A)P(B)P(AB)=P(A)P(B) 则A、B相互独立。 注意： P(B∣A)P(B|A)P(B∣A)是指A发生的条件下，B发生的概率；P(B)P(B)P(B)为B发生的概率，此二者是否相等？ 如果P(B∣A)=P(B)P(B|A)=P(B)P(B∣A)=P(B)，则表明事件A对B无影响，即A和B是相互独立的。 例：抛硬币2次，设A为第一次出现正面，B为第二次出现正面的事件，则： P(A)=12P(A)=\frac{1}{2}P
P(A)P(B|A)=P(B)P(A|B)
u012632105的博客
12-31 403
来自于贝叶斯公式。 简单证明：
条件概率 -- P(A|B) P(B|A)
凡森
11-23 1万+
question:早餐P(A) = 0.6 午餐P(B) = 0.5P(A|B) = 0.7 - 意味着：A B 有依赖； 求P(B|A)求解P(A and B) = P(A|B)P(B) = P(B|A)P(A)
P(B|A)和P(AB)的理解
syh的技术记录
10-11 9950
前言 我其实一直对P(B|A)和P(AB)有疑问，总是会觉得这两个表示的现实含义很接近，对二者的区别很模糊，今天突然想通了，记录一下。 正文 背景： 据美国的一份资料报道，美国的肺癌患病率为0.1%，人群中有20%是吸烟者，他们的肺癌患病率是0.4%。 事件 含义 A 人群中的吸烟率 B 人群中肺癌的患病率 在这个背景中，P(B|A)和P(AB)表示的现实含义是不同的，我们先从括号里面的事件来解释： 我的理解是：事件B|A（当然并不存在这种写法）和事件AB表示的都是一个事件，现实
如何理解贝叶斯公式？
09-30
了解贝叶斯公式，不仅仅是学会一个公式和它的使用方法，更重要的是理解其中蕴含的思想。这包括如何将先验概率引入概率估计，如何基于新证据更新概率估计，以及如何处理在有限数据下对概率的估计。这些思想对于统计...
beiyesi_贝叶斯公式计算器_
10-01
P(A|B) = P(B|A) * P(A) / P(B) 这里，P(A|B) 表示在已知事件 B 发生的情况下，事件 A 发生的概率（后验概率）；P(B|A) 是在事件 A 发生时，事件 B 发生的概率（似然性）；P(A) 是事件 A 的先验概率，即在考虑任何...
贝叶斯公式在市场预测中的应用（数学专业 毕业论文）.doc
03-06
P(A|B) = [P(B|A) * P(A)] / P(B) 其中，P(A|B)是在已知B发生的条件下A发生的后验概率；P(B|A)是条件概率，即在已知A发生的条件下B发生的概率；P(A)是A的先验概率；P(B)是B发生的边际概率。 2.2 贝叶斯学习与更新 ...
【概率论】全概率公式和贝叶斯公式理解
最新发布
weixin_42569547的博客
11-28 2313
有一种检测方法，对于患病的人检测为阳性的概率为 99%，即 P(B|A)（这里 B 表示 “检测结果为阳性”）= 0.99；对于未患病的人检测为阳性（假阳性）的概率为 5% ，即 P(B|A')（ A' 表示 “未患病”）= 0.05。是用来计算一个事件发生的总概率的公式，某件事可能会在不同的情况下有不同的概率发生，这些情况相互独立，把这些概率加和即为全概率。简单来说，它告诉我们如果我们把一个大问题分解成几个小问题（不同的条件或路径），然后计算这些小问题的概率，最后把它们加起来，就可以得到大问题的总概率。
概率论-1.4 条件概率(重点:对P(A | B)、P(AB)、P(B)之间关系的理解)
dc12499574的博客
10-12 9324
条件概率的定义： 是指在某事件B发生的条件下，事件A发生的概率，记作P(A | B) 条件概率：设A与B是样本空间中的两事件，若P(B)>0，则在B发生的下A发生的条件概率为P(A | B)= P(AB) / P(B) P(B)：事件B发生的概率 P(AB)：事件A，B同时发生的概率=事件A发生的概率事件A的发生下事件B发生的概率=事件B发生的概率事件B的发生下事件B发生的概率 若事件域上A1,A2,…,An,…互不相容且P(B)>0，则有P(U Ai | B)= Sum(P(AB)) / P(
P(A|B)和P(AB)有什么区别
ALTLI的博客
12-09 3万+
P(A|B)和P(AB)到底有什么区别？ 先说一下二者之间的联系，P(AB) = P(A|B)*P(B)，这是乘法公式。 当然最重要的是区别，这种区别包括时间和空间上的区别 时间上的区别：在P(A|B)中，B先发生，我们已经知道了B后，在这基础上A发生，也就是说B先发生，A后发生。P(AB)中，A和B是同时发生的概率。 空间上的区别：样本空间的不同。在P(A|B)中，是求在B发生的条件下，A发生的...
贝叶斯公式
WSH2012ffff的博客
08-24 2451
P(手牌点数小于等于21点且抽到的牌点数为i | 庄家手牌不为21点)= P(手牌点数小于等于21点 | 庄家手牌不为21点且抽到的牌点数为i) * P(抽到的牌点数为i | 庄家手牌不为21点)= P(手牌点数小于等于21点 | 手牌点数为12+i) * P(抽到的牌点数为i | 庄家手牌不为21点)= P(手牌点数小于等于21点且手牌点数为12+i) / P(手牌点数为12+i | 庄家手牌不为21点) * P(抽到的牌点数为i | 庄家手牌不为21点)然而，贝叶斯公式也存在一些限制和缺点。
条件概率的一点总结
lrt366的博客
11-21 6142
一些看论文的公式总结 当BC独立时:P(B|C)=P(BC)/P(C)=P(B)P(C)/P(C)=P(B) 1.公式：P(AB|C)=P(A|BC)P(B|C) 论文中规定A,B独立，则P(AB|C)=P(A|C)P(B|C) 证明： 由于对任意正概率随机事件C有P(AB|C)=P(A|C)*P(B|C), 因此特别地,对于C=Ω有 P(AB|Ω)=P(A|Ω)*P(B|Ω) 即 ...
贝叶斯定理
zll441488958的博客
03-08 1815
贝叶斯公式为P(A∩B)=P(A)*P(B|A)=P(B)*P(A|B)P(A|B)=P(B|A)*P(A)/P(B)其中：1、P(A)是A的先验概率或边缘概率，称作"先验"是因为它不考虑B因素。2、P(A|B)是已知B发生后A的条件概率，也称作A的后验概率。3、P(B|A)是已知A发生后B的条件概率，也称作B的后验概率，这里称作似然度。4、P(B)是B的先验概率或边缘概率，这里称作标准化常量。5...
统计学习方法之朴素贝叶斯理解和代码复现
a2352159950的博客
03-16 490
朴素贝叶斯 联合概率 P(A,B) = P(B|A)*P(A) = P(A|B)*P(B)将右边两个式子联合得到下面的式子： P(A|B)表示在B发生的情况下A发生的概率。P(A|B) = [P(B|A)*P(A)] / P(B) 直观理解一下这个式子，如下图，问题A在我们知道B信息之后概率发生了变化(图片来自于小白之通俗易懂的贝叶斯定理（Bayes’ Theorem） 1.后验概率推导 ​ ...
贝叶斯公式的理解——机器学习算法（一）
林洪炳的日常技术积累
02-19 1万+
贝叶斯公式作为数学中最有趣的公式之一，其简洁强大实用的特性在现实生活中使用了两百多年，将人类的思维模式用数学来表达出来，堪称上帝的公式。 本篇文章面向学了贝叶斯公式但没学懂的童鞋，如果你还对贝叶斯公式存在困惑，或许看了本文就理解了。对于只想简单了解贝叶斯公式的童鞋，本文也足够了。 在没有学过概率论的童鞋，思维模式大多是正向思维。什么是正向思维？有一个很典型的例子就是，有一个黑箱
关于概率的一些事(对于贝叶斯公式的一些初级理解）
WedsonLin的博客
09-29 368
关于概率的一些事 条件概率公式： P(A|B)=P(AB)/P(B)- - -111 当A,B事件相互独立时，有P(AB)=P(A)*P(B) P(B|A)=P(AB)/P(A)- - -222 联立111,222式，可得 P(A|B)=P(A)*P(B|A)/P(B)- - -333 333式也叫贝叶斯公式。 其中P(A)也叫先验概率(Prior probability)，即在不知道B事件发生前，对A事件的一个主观评估的概率； P(A|B)也叫后验概率(Posterior probability)，即在发
如何理解贝叶斯公式？它的含义是什么
03-01
贝叶斯公式是一种条件概率公式，可以用来计算在某些已知条件下，某一事件发生的概率。它的核心思想是利用先验概率和样本信息来更新后验概率。 具体来说，贝叶斯公式的公式如下： P(A|B) = P(B|A) * P(A) / P(B) 其中，P(A|B)表示在事件B已经发生的条件下，事件A发生的概率；P(B|A)表示在事件A已经发生的条件下，事件B发生的概率；P(A)表示事件A的先验概率；P(B)表示事件B的先验概率。 通过贝叶斯公式，我们可以根据已知信息来计算事件的后验概率，从而对该事件进行推断和预测。在实际应用中，贝叶斯公式广泛用于数据挖掘、机器学习、自然语言处理等领域中的模型推理和预测问题。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

-Love-Coding-

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值