157
技術社區[雲棲]
《貝葉斯思維：統計建模的Python學習法》一2.3 貝葉斯框架
本節書摘來自異步社區《貝葉斯思維：統計建模的Python學習法》一書中的第2章，第2.3節，作者【美】Allen B. Downey，更多章節內容可以訪問雲棲社區“異步社區”公眾號查看
2.3 貝葉斯框架
在繼續討論其他的問題前，我想在上一節的基礎上重寫代碼以使其更通用。首先我將定義一個類來封裝與此相關的代碼 ：
class Cookie(Pmf)：
def __init__(self,hypos)：
Pmf.__init__(self)
for hypo in hypos：
self.Set(hypo,1)
self.Normalize()
Cookie對象是一個映射假設到概率的Pmf對象。__init__方法給每個假設賦予相同的先驗概率。如上一節中就有兩種假設：
hypos= ['Bowl1'，'Bowl2']
pmf =Cookie(hypos)
Cookie類提供了Update方法，它以data為參數並修正相應的概率：
def Update (self,data)：
for hypo in self.Values()：
like= self.Likelihood(data,hypo)
self.Mult(hypo，like)
self.Normalize()
Update遍曆suite中的每個假設，並將其概率乘以數據在某一假設下的似然度，似然度由Likelihood計算：
mixes = {
'Bowl 1':dict(vanilla=0.75, chocolate=0.25),
'Bowl 2':dict(vanilla=0.5, chocolate=0.5),
}
def Likelihood(self, data, hypo):
mix = self.mixes[hypo]
like = mix[data]
return like
Likelihood使用mixes，它使用Python的字典結構來映射碗名和在碗中曲奇餅的混合比例。
如下麵這樣進行更新：
pmf.Update('vanilla')
然後我們就可以打印輸出每個假設的後驗概率：
for hypo , prob in pmf.Items()：
print hypo，prob
其結果是
Bowl 1 0.6
Bowl 2 0.4
結果和我們之前得到的結論一樣。比起我們在前麵章節看到的，這段代碼更複雜。
一個優點是，它可以推廣到從同一個碗取不隻一個曲奇餅（帶替換）的情形：
dateset= ['vanilla', 'chocolate', 'vanilla']
for data in dataset：
pmf.Update(data)
另一優點是，它提供了解決許多類似問題的框架。在下一節中，我們將解決蒙蒂大廳問題的計算，然後看看框架的哪些部分相同。
本節中的代碼可以從https://thinkbayes.com/cookie2.py獲得。欲了解更多信息，請參見前言的“代碼指南”。
最後更新：2017-06-13 09:31:38