本文重点

在了解了贝叶斯公式及其在机器学习中的应用之后，我们需要明确贝叶斯公式解决的是什么样的问题。贝叶斯公式主要用于处理逆向概率的问题。

正向概率与逆向概率

正向概率：假设袋子里有N个白球和M个黑球，你伸手摸出一个球，那么摸到黑球的概率是多少？

逆向概率：事先我们不知道袋子里黑球和白球的比例，而是闭着眼睛摸出一个或多个球，然后根据摸出的球的颜色来推测袋子里黑白球的比例。

这两种概率的区别在于，正向概率是从原因推导结果，而逆向概率则是从结果反推原因。

为什么使用贝叶斯公式

现实世界往往是不确定的，我们通常只能观察到结果，因此需要借助贝叶斯公式来推测原因。

实例

假设一所学校中有两类学生：男生（占比60%）和女生（占比40%）。男生全部穿裤子，女生一半穿裙子，一半穿裤子。

正向概率：随机选择一名学生，这名学生穿裙子的概率是多少？

逆向概率：现在有一名穿裤子的学生，但不知道性别，那么这名学生是女生的概率是多少？

逆向概率——贝叶斯公式推导

我们要计算的是一个穿裤子的人是女生的概率。可以将这个问题转化为女生穿裤子的人数占所有穿裤子人数的比例。具体来说：

• 女生穿裤子的人数为：0.4 * 0.5 = 0.2
• 男生穿裤子的人数为：0.6 * 1 = 0.6
• 总穿裤子的人数为：0.2 + 0.6 = 0.8

因此，女生穿裤子的人数占总穿裤子人数的比例为： [ frac{0.2}{0.8} = 0.25 ]

也就是说，一个穿裤子的人是女生的概率是0.25。

通过贝叶斯公式，我们可以得出： [ P(text{女生}|text{穿裤子}) = frac{P(text{穿裤子}|text{女生}) times P(text{女生})}{P(text{穿裤子})} ]

其中： - ( P(text{穿裤子}|text{女生}) = 0.5 ) - ( P(text{女生}) = 0.4 ) - ( P(text{穿裤子}) = 0.8 )

代入公式： [ P(text{女生}|text{穿裤子}) = frac{0.5 times 0.4}{0.8} = 0.25 ]

也就是说，一个穿裤子的人是女生的概率是0.25。

总结

本节课程通过一个实际问题展示了贝叶斯公式的应用。贝叶斯公式是处理逆向概率的强大工具，在机器学习中也经常被使用。接下来的课程将从更多实际问题中探讨这一算法的应用。