前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >先验分布与后验分布,认真看看这篇

先验分布与后验分布,认真看看这篇

作者头像
double
发布2019-09-27 17:12:39
7.4K0
发布2019-09-27 17:12:39
举报
文章被收录于专栏:算法channel

此文主要参考 huaxiaozhuan.com

编辑: Python与算法社区 公众号

在贝叶斯学派中,先验分布+数据(似然)= 后验分布 。例如:假设需要识别一大箱苹果中的好苹果、坏苹果的概率。

在这里:如果不使用先验分布,仅仅清点这箱苹果中的好坏,则得到的分布只能代表这一箱苹果。采用了先验分布之后得到的分布,可以认为是所有箱子里的苹果的分布。当采用先验分布时:给出的好、坏苹果的个数(也就是频数)越大,则先验分布越占主导地位。

根据你对苹果好、坏的认知,给出先验分布为:50个好苹果和50个坏苹果。现在你拿出10个苹果,发现有:8个好苹果,2个坏苹果。根据数据,你得到后验分布为:58个好苹果,52个坏苹果。再拿出10个苹果,发现有:9个好苹果,1个坏苹果。根据数据,你得到后验分布为:67个好苹果,53个坏苹果。这样不断重复下去,不断更新后验分布。当一箱苹果清点完毕,则得到了最终的后验分布。

假设好苹果的概率为 P,则抽取 N 个苹果中,好苹果个数为 K 个的概率为一个二项分布:

现在的问题是:好苹果的概率 p 不再固定,而是服从一个分布。假设好苹果的概率 p 的先验分布为贝塔分布:

则后验概率为:

归一化之后,得到后验概率为:

好苹果概率 p 的先验分布的期望为:

好苹果概率 p 的后验分布的期望为:

根据上述例子所述:

  • 好苹果的先验概率的期望为:
  • 进行第一轮数据校验之后,好苹果的后验概率的期望为:

如果将 α 视为先验的好苹果数量, β 视为先验的坏苹果数量, N 表示箱子中苹果的数量, k 表示箱子中的好苹果数量(相应的, N-k 就是箱子中坏苹果的数量)。则:好苹果的先验概率分布的期望、后验概率分布的期望符合人们的生活经验。

这里使用先验分布和后验分布的期望,因为 p 是一个随机变量。若想通过一个数值来刻画好苹果的可能性,则用期望较好。

附注

贝塔分布是定义在 (0,1) 之间的连续概率分布。如果随机变量 X 服从贝塔分布,则其概率密度函数为:

记做

众数为:

期望为:

方差为:

文章参考:

http://huaxiaozhuan.com/%E6%95%B0%E5%AD%A6%E5%9F%BA%E7%A1%80/chapters/2_probability.html

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-09-25,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 程序员郭震zhenguo 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
图像处理
图像处理基于腾讯云深度学习等人工智能技术,提供综合性的图像优化处理服务,包括图像质量评估、图像清晰度增强、图像智能裁剪等。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档