贝叶斯推断的进一步理解

近期,再次研读机器学习经典算法,在阅读到逻辑斯汀回归时,又一次的遇到了贝叶斯估计。逻辑斯汀回归用后验概率作为回归结果。

那么到底什么是先验概率,什么是后验概率呢?

在我看来,先验概率就是人们根据经验或者甚至随机的给定的一个概率值,可能不准。而后验概率就是在加入了证据验证之后修正的概率。

比如说,掷硬币问题,人们偏向于相信0.5-0.5的概率分布,但实际上并不如此,因为一枚硬币不可能是完全均匀分布的,而且受到各种投掷环境的影响,所以实际的概率值并不是依照与先验概率。通过实际投掷实验(验证的过程),可以得到一个后验的概率,可这个概率也不是恒定的,它一定是不断变化的。但是人们倾向于相信在投掷无穷次之后,分布为0.5-0.5,实际如此吗?不一定!!

未经允许不得转载:OpenSL » 贝叶斯推断的进一步理解

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址