280
多重角度解读：贝叶斯推理是怎么工作的
首发地址：https://yq.aliyun.com/articles/64245
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。
以下为译文
贝叶斯推理是一种从数据中获得更清晰预测的方法，当没有足够多想要的数据时，并想获得这些数据全部的预测强度时，贝叶斯推理是特别有用的。
虽然贝叶斯推理有时候被描述得有些让人敬畏，但它既不是魔法也不神秘。尽管在数学公式上可以获得详细的解释，但其背后的概念是完全可以获得的。总之，贝叶斯推理允许你从数据中通过折叠已经知道的答案来作出更强的结论。
·托马斯··-
“
现在考虑这个人在男卫生间排队后情形的变化，有了这个额外的部分信息，你可能会认为这是一个男性。这种使用常识和背景知识是不需要思考就能得到的。贝叶斯推理是在数学上捕获这些常识与背景知识，以致于使得我们可以做出更准确的预测。
数字化电影院困境，假设在剧院大约有一半男人一半女人。总共100人50人是女性。在女性中25一半（25）短发。在男性中48人2人25性2性，因此猜测电影票的持有者为一名女性是的假设是安全的。
假设有100排队，其中是98陪伴其伴侣的2名女性。刚才的2名女性中长发短发各一人。男性长和短发的比例与之前一样，但是因为他们有98人，即94名是4名是长发。现在安全的赌注是票证持有者是一名男性。这是基本贝叶斯推理原则的一个具体的例子。事先知道关键的部分—— 电影票所有者在男子厕所外排队使得我们能够更好地预测他们。
要讲清楚有关贝叶斯推理，下面提出四个概念：概率，条件概率，联合概率和边缘概率。
50
男子厕所排队等候0.02的概率0.98的概率为男性。
“名女性，她有长头发的概率是多少”与概率一样，但他们只是看的所有例子中的一个子集—— 性），假设她是个女性，其有长头发的概率是多少，等于女性有长头发的数量除以女性的总数。这会变为0.5不管我们是否考虑到男卫生间排队或是在整个剧院。
P
关于条件概率，P与P与P不同。如果我拿着的是一只小狗，它很可爱的概率是非常高的。如果我手里拿的东西是可爱的，是一只小狗的概率中等偏低，因为这也可能是小猫，兔子等。
“
P排队情况下为0.04。
与条件概率不同P与P是相同的，即有牛奶和果冻甜甜圈的概率与有果冻甜甜圈和牛奶的概率是相同的。
边缘概率“为了解决这个问题，我们必须把所有不同的方式的概率加起来，长头发男性加上长头发的女性概率。加起来两个联合概率后概率P为0.27，但在男卫生间排队情况下为0.05
“P
·
P
使用一点代数知识P男性|这个问题。
A
最后解决电影票困境，必须将贝叶斯定理应用到我们的问题中。
P
P是男性。使用这种先验知识，它更新了关于这种情况的信念。
“
设想下一壶咖啡刚好有足够位置来填充一杯的概率是多少。如果只有一个杯子，那么填补是没有任何问题的，但如果有一个以上的话，你必须决定如何分配这么多杯的咖啡。但是你喜欢的话，你可以把它分解，只要你把所有的咖啡倾倒进一个杯子或其他。在电影院，一个杯子可能代表一个女性，另外代表的是男性。
或者，我们可以采用四个杯子来代表性别和头发的长度的所有组合的分布。在这两种情况下，咖啡总量加到一个杯子里。
通常情况下，我们设置这些杯子并排在一侧，并把咖啡量看成是一个柱状图。其分布显示了我们对这种情况信服的强度。
如果抛一枚硬币并隐藏结果，那么你的信念会被均匀分到头和尾巴之间。
如果掷骰子并隐藏结果，那么你对顶部的数字的信念会均匀地分到六个面之间。
——
150
分布可以被分解成更细的等级，你可以看成是将少量咖啡分别倒入更多的杯子去获得更细的信念集。
最终，你需要虚杯的数量变得如此之大以致于这个类推被分解。在该点的分布是连续的。修改了下相关的数学知识，但基本思想仍然是有用的。它显示你的信念是如何分配的。
现在用概率分布描述，可以用贝叶斯定理来解释数据。
由于狗大范围的扭动造成很难得到准确的体重读数，而得到一个准确的读数是很重要的，因为如果体重提升了，必须降低其进食量，反之亦然。
13.9
15.2时，通常是返回并收集更多的数据，但在某些情况下，这是不可行的或过于昂贵。
通过使用贝叶斯定理，这是使小数据集尽可能的有用。在我们应用它之前，是非常有必要重温下公式，并回顾各种术语。
“w”
P
P
P
P
13
14
虽然使用了贝叶斯定理，但还是没有接近一个有用的估计。为了解决这一问题，假设先验概率为不均匀。先验分布代表了我们在采取任何测量之前对某事的信念。一个统一的先验说明我们相信每一个可能的结果是等可能的，这是很少见的情况。
14.2
17
MAP
17.5
Pm）以反映这一点，这会改善我们后验概率的准确性。
狗的称重例子展示了贝叶斯推理的优点，但也有缺陷。通过对答案进行一些假设会改善我们的估计，但测量事物的整个目的是为了了解该事物。如果我们的假设已经知道了答案，那么可能会审查这些数据。
13
1000它有很长的尾巴且从来不会完全变为零。
文章原标题《How Bayesian inference work》，作者：Brandon
翻译：海棠
最后更新：2017-07-12 22:06:27