[Thinkbayes]贝叶斯思维读书笔记-2-火车头问题
今天,我们继续我们的笔记。
作者在第三章继续举了一个例子。火车头问题(读者在此可能会觉得这个问题没有意义,但相信随着深入阅读,这个问题会被解答)。
这个举例恰到好处,能够让我深入理解到底应该如何假设,也能更好的诠释2.5章节中的封装框架。
回顾一下曲奇饼问题中,我们的假设是什么?(不要忘记,我们的假设决定先验概率)
假设A:香草味的饼来自筐1,先验概率1/2。
假设B:香草味的饼来自筐2,先验概率1/2。
再来看看火车头问题中我们的假设:
假设1:公司有1个火车头,先验概率1/N。
假设2:公司有2个火车头,先验概率1/N。
......
假设60:公司有60个火车头,先验概率1/N。
......
假设1000:公司有1000个火车头,先验概率1/N。
......
理论上,我们应该继续我们的假设直到无线多个火车头。但是这并不利于我们进行计算。就目前来将,我们只能假设“从1到1000个等可能的任何值”。大家可以直接将每一个可能性(现在是1000个)看作是一个对应的“筐”。第500个可能性对应第“500号筐”,而这个框中有500个火车头,那么我们看到第60号火车头的概率(也就是似然度)就是1/500。
接下来,我们进一步简化:我们看到的是2号火车头,我们假设“从1到3个等可能的任何值”。这样,我们的先验概率、似然度、后验概率就很好得出了:
P(H) P(D|H) P(H)P(D|H) P(H|D)
A 1/3 0 0 0
B 1/3 1/2 1/6 3/5
C 1/3 1/3 1/9 2/5
这样,想必大家能更容易理解,在火车头问题中如何应用贝叶斯定理。
我们再回头看一下,作者为我们提供的贝叶斯框架,其主要为3个函数:
__init__()
Update()
Likelihood()
__init__() 函数直接决定了我们的假设方式及先验分布,我们看到在之前的例子中,作者一直没有重写该函数,原因正是因为我们的假设内容及先验分布的类型一直都没变过,一直是等可能的类型。
Likelihood() 函数实际上帮我们取到某种假设的似然度,注意Likelihood就是英文中的似然度。
Update() 方法调用到先验概率和似然度,然后执行 Pmf 的 Mult 方法。实际上就是 “更新基于该数据的每个假设”(原译者),更合适地应该说“基于某一个数据,更新或者说创建每个假设的后验概率”
当然,火车头问题并没有就此结束。作者提到,当我们变更假设的值的范围时,我们会得到差异非常大的结果。这主要是因为我们的假设出了一小点问题,到不因为范围的上限,而是因为先验分布并不是等可能的,而应该基于某种模型。原书提供了一种,为罗伯特的幂率模型:PMF(x)∝ (1/x)的α次方。当然实际上我们进一步简化,另α = 1 。这样,在我们了Likelihood()方法及Update()方法后,我们就能够得到这个最终的类了。
[Thinkbayes]贝叶斯思维读书笔记-2-火车头问题的更多相关文章
- [Thinkbayes]贝叶斯思维读书笔记-1-贝叶斯定理
使用贝叶斯定理,目前来看最重要的一点在于假设.就是未知事件已知化,同时也要注意假设的全程性,不能从中开始新的假设,这种假设往往是不全面的. 我自己找到的假设的方法有两种,一种是命名,一种是时序.全程性 ...
- 统计学习:《贝叶斯思维统计建模的Python学习法》中文PDF+英文PDF+代码
用数学工具解决实际问题仅有的要求可能就是懂一点概率知识和程序设计.而贝叶斯方法是一种常见的利用概率学知识去解决不确定性问题的数学方法,对于一个计算机专业的人士,应当熟悉其应用在诸如机器翻译,语音识别, ...
- R语言︱贝叶斯网络语言实现及与朴素贝叶斯区别(笔记)
每每以为攀得众山小,可.每每又切实来到起点,大牛们,缓缓脚步来俺笔记葩分享一下吧,please~ --------------------------- 一.贝叶斯网络与朴素贝叶斯的区别 朴素贝叶斯的 ...
- 贝叶斯推断 && 概率编程初探
1. 写在之前的话 0x1:贝叶斯推断的思想 我们从一个例子开始我们本文的讨论.小明是一个编程老手,但是依然坚信bug仍有可能在代码中存在.于是,在实现了一段特别难的算法之后,他开始决定先来一个简单的 ...
- <机器学习实战>读书笔记--朴素贝叶斯
1.朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法, 最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型(Naive Bayesian Model, ...
- 机器学习实战笔记(Python实现)-03-朴素贝叶斯
--------------------------------------------------------------------------------------- 本系列文章为<机器 ...
- 机器学习&数据挖掘笔记_18(PGM练习二:贝叶斯网络在遗传图谱在的应用)
前言: 这是coursera课程:Probabilistic Graphical Models上的第二个实验,主要是用贝叶斯网络对基因遗传问题进行一些计算.具体实验内容可参考实验指导教材:bayes ...
- 《NoSQL精粹》思维导图读书笔记
<NoSQL精粹>思维导图读书笔记 各主题笔记 这本书短小精悍,虽不能解答所有NoSQL疑问,但在读书过程中会抛给你不少未曾想过的问题,给人以更深入的思考: 这里对每一个主题分别做了笔记: ...
- [置顶] 生成学习算法、高斯判别分析、朴素贝叶斯、Laplace平滑——斯坦福ML公开课笔记5
转载请注明:http://blog.csdn.net/xinzhangyanxiang/article/details/9285001 该系列笔记1-5pdf下载请猛击这里. 本篇博客为斯坦福ML公开 ...
随机推荐
- NHibernate系列
NHibernate系列 写在前面 这篇总结本来是昨天要写的,可昨天大学班长来视察工作,多喝了点,回来就倒头就睡了,也就把这篇总结的文章拖到了今天. nhibernate系列从开始着手写,到现在前后耗 ...
- 处理程序“svc-Integrated”在其模块列表中有一个错误模块“ManagedPipelineHandler”
HTTP 错误 404.3 - Not Found 由于扩展配置问题而无法提供您请求的页面.如果该页面是脚本,请添加处理程序.如果应下载文件,请添加 MIME 映射. 解决办法:以管理员运行命令:C: ...
- WebService它CXF这三个音符(Service接口实现类)
ITeacherServiceImpl.java: /** * @Title:ITeacherServiceImpl.java * @Package:com.you.service.impl * @D ...
- VS 文件自动定位功能
在Visual Studio 中,当你在所有打开的文件中进行切换时,在Solution Explorer中也会自定定位到这个文件的目录下面,这个功能用来查找当前文件是非常有用.在Tools->O ...
- MVC 5 的 EF6 Code First 入门 系列:排序、筛选和分页
这是微软官方SignalR 2.0教程Getting Started with Entity Framework 6 Code First using MVC 5 系列的翻译,这里是第三篇:排序.筛选 ...
- Idea构建Maven项目教程
Idea构建Maven项目,以及其中遇到的坑,及解决方案 步骤一:配置Idea的maven插件 步骤二:创建maven项目 file-->new-->project 下一步,设置group ...
- Asp.net MVC的Model Binder工作流程以及扩展方法(1)
Asp.net MVC的Model Binder工作流程以及扩展方法(1)2014-03-19 08:02 by JustRun, 523 阅读, 4 评论, 收藏, 编辑 在Asp.net MVC中 ...
- 第一章 CLR 的执行模型
CLR via C# 读书笔记:第一章 CLR 的执行模型(1) 第Ⅰ部分CLR基础.这部分为三章(第一章:CLR的只想能够模型,第二章:生成.打包.部署和管理应用程序及类型,第三章:共享程序集和强命 ...
- web前端学习笔记
web前端学习笔记(CSS盒子的定位) 相对定位 使用相对定位的盒子的位置常以标准流的排版方式为基础,然后使盒子相对于它在原本的标准位置偏移指定的距离.相对定位的盒子仍在标准流中,它后面的盒子仍以标准 ...
- 使用 Aspose.Cells 实现 excel导入
using System; using System.Collections.Generic; using System.Linq; using System.Web; using System.We ...