本文概述
贝叶斯定理
贝叶斯定理也称为贝叶斯定律,贝叶斯定律或贝叶斯推理,它确定具有不确定知识的事件的概率。
在概率论中,它涉及两个随机事件的条件概率和边际概率。
贝叶斯定理以英国数学家托马斯·贝叶斯命名。贝叶斯推理是贝叶斯定理的应用,它是贝叶斯统计的基础。
这是一种基于P(A | B)的知识来计算P(B | A)值的方法。
贝叶斯定理允许通过观察现实世界的新信息来更新事件的概率预测。
示例:如果癌症与一个人的年龄相对应,则可以使用贝叶斯定理,借助年龄,我们可以更准确地确定癌症的可能性。
可以使用乘积规则和事件A与已知事件B的条件概率来得出贝叶斯定理:
根据产品规则,我们可以这样写:
P(A ⋀ B)= P(A|B) P(B) or
同样,事件B与已知事件A的概率:
P(A ⋀ B)= P(B|A) P(A)
在两个等式的右边,我们将得到:
上式(a)称为贝叶斯定律或贝叶斯定理。这个等式是大多数现代AI系统中用于概率推断的基础。
它显示了联合概率和条件概率之间的简单关系。这里,
P(A | B)被称为后验,我们需要计算它,当我们出现证据B时,它将被理解为假设A的概率。
P(B | A)称为似然性,其中我们认为假设是正确的,然后我们计算出证据的概率。
P(A)称为先验概率,即在考虑证据之前的假设概率
P(B)称为边际概率,即证据的纯概率。
通常,在等式(a)中,我们可以写成P(B)= P(A)* P(B | Ai),因此贝叶斯规则可以写成:
其中A1,A2,A3,………….. An是一组相互排斥且详尽的事件。
应用贝叶斯规则
贝叶斯规则允许我们根据P(A | B),P(B)和P(A)计算单个项P(B | A)。在我们很有可能要确定这三个术语的情况下,这非常有用。假设我们要感知某个未知原因的影响,并要计算该原因,那么贝叶斯规则变为:
示例1:
问题:患者患有颈部僵硬的脑膜炎的可能性是多少?
给定数据:
医生知道脑膜炎会导致病人颈部僵硬,而且80%的情况下都会发生。他还了解到一些情况,情况如下:
- 一个病人患脑膜炎的已知概率是三万分之一。
- 已知的病人脖子僵硬的概率是2%。
设a为患者颈部僵硬的主张,b为患者脑膜炎的主张。 ,因此我们可以计算如下:
P(a | b)= 0.8
P(b)= 1/30000
P(a)= .02
因此,我们可以假设750名患者中有1名患有脑膜炎,颈部僵硬。
示例2:
问题:从标准扑克牌中抽出一张纸牌。该牌为王的概率为4/52,然后计算后验概率P(King | Face),这表示抽奖面卡为王牌。
解:
P(国王):卡为王的概率= 4/52 = 1/13
P(面):一张牌是一张面牌的概率= 3/13
P(Face | King):当我们假设它是国王时的面卡概率= 1
将所有值放在方程式(i)中,我们将得到:
贝叶斯定理在人工智能中的应用
以下是贝叶斯定理的一些应用:
- 当给出已经执行的步骤时,用于计算机器人的下一步。
- 贝叶斯定理有助于天气预报。
- 它可以解决Monty Hall问题。