机器学习基础知识(1) 概率论-贝叶斯公式

如果感觉排版有问题请看原文链接

给你题目求概率(问题请读三遍)

10000人去检测某种发病率1%的疾病，如果某人确实生了这个病，有90%的概率会被检出阳性；

如果某人没有生病，有9%的概率会被误检出阳性。

现在甲被检出阳性，请问他真实得病的概率是多大？

是不是感觉不会 太难如果不清楚情况那下面例题（依赖大学知识） 或者跳到QA 环节(依赖小学知识)

例题1 监测出来有阳性实际的病概率

分析：

根据题目事件监测呈阳性含义

问题是在监测成阳性情况下真的有病

数学公式

条件概率

如果A和B是两个事件，且P(B)≠0。那么B条件下，A的条件概率为

P(AB) = P(B)·P(A|B) =P(A)·P(B|A)P(A|B)=P(AB)/P(B)

全概率

推倒过程

贝叶斯公式

回答上面题目

q1

10000人去检测某种发病率1%的疾病，如果某人确实生了这个病，有90%的概率会被检出阳性；如果某人没有生病，有9%的概率会被误检出阳性。现在甲被检出阳性，请问他真实得病的概率是多大？

A1：

Q 例如 一个有5个球 三个红球和2个黑球拿到红球概率是多少？

A: 3/（3+2)=3/5 其实不知道什么是 全概率 贝叶斯 条件概率这些公式 凭借小学基本知识也能解题

推理如下：

有10000人去检测，100人是实际得病了的。在这100人中，90人会被检查出来阳性。9900人是健康人，在他们之中，9%，即891人会被检测出阳性。90/(90+891)=9.2%最终，有981人检测呈阳性其中只有90人概率还是很低的

总结：

说了半天 目的是为了理解下面1个概念 机器学习的一个重要概念

• 召回率(Recall)，反映了被正确判定的正例占总的正例的比重

你可以扩展阅读下什么是

• 精确度（Precision）：反映了被分类器判定的正例中真正的正例样本的比重

你是不是感觉机器学习难度下降了一个档次