题

我正在执行一个天真的贝斯分类。 编程的集体智慧 引入了这一主题通过描述Bayes定为：

Pr(A | B) = Pr(B | A) x Pr(A)/Pr(B)

以及一个具体实例有关的文件分类：

Pr(Category | Document) = Pr(Document | Category) x Pr(Category) / Pr(Document)

我希望有人能向我解释符号的使用在这里做什么 Pr(A | B) 和 Pr(A) 意思？它看起来像某种形式的功能，但随后有什么管道("|")的意思是，等等？

有帮助吗？

解决方案

  • Pr(A|B)=概率的发生，鉴于B已经发生了
  • Pr(A)=的概率发生的事情

但是，上述计算相对于有条件的概率。你想要什么，是一个分类，采用这一原则来决定是否属于一类别基于以前的概率。

看看 http://en.wikipedia.org/wiki/Naive_Bayes_classifier 对于一个完整的例子

其他提示

我认为他们已经得到了你覆盖的基础。 

Pr(A | B) = Pr(B | A) x Pr(A)/Pr(B)

读取：一个给定的B的概率是相同的的B中给出的A倍A的概率除以B的概率你试图数字它通常使用时，可以测量B的概率的概率如果进行B的带领我们相信A.或者，换句话说，我们真正关心的一个，但我们可以量度B更直接，让我们和我们可以开始测量。

让我给你一个推导，使这个更容易编写代码。它来自犹太珍珠。我这个有点挣扎，但之后我意识到珍珠如何帮助我们把理论转化为代码，光打开我。

之前赔率：

O(H) = P(H) / 1 - P(H)

似然比：

L(e|H) = P(e|H) / P(e|¬H)

后验概率：

O(H|e) = L(e|H)O(H)

在英国，我们是在说，你有兴趣（H为假设）的东西的几率仅仅是时候你找到的东西是真实的时代划分，你发现它是不正确的数量。所以，说一个房子每天都被抢了10000。这意味着，你有被抢劫，没有任何其他证据被认为是1 / 10,000的机会。

在接下来的一个是测量你在寻找证据。什么是看到你所看到的，当你的问题是真实的看到你所看到的，当你的问题是不正确的证据的概率分成证据的可能性。说你是听你的防盗报警熄灭。你多久拿到报警时，它应该熄灭（有人打开一个窗口，当报警后）与当它不应该走下车（风设置闹铃关闭）。如果你有一个防盗触发警报的95％的机会和别的设定的1％的几率触发警报，那么你有95.0可能性。

您整体的信仰只是可能性*的前期差别。在这种情况下，它是：

((0.95/0.01) * ((10**-4)/(1 - (10**-4))))
# => 0.0095009500950095

我不知道这使得任何更加清晰，但它往往更容易有一些代码，在可能性跟踪前期差别的，其他代码的样子，和一个代码块多到这些信息结合起来

我已用Python实现它。这很容易理解，因为贝叶斯所有公式定理都是独立的功能：

#Bayes Theorem

def get_outcomes(sample_space, f_name='', e_name=''):
    outcomes = 0
    for e_k, e_v in sample_space.items():
        if f_name=='' or f_name==e_k:
            for se_k, se_v in e_v.items():
                if e_name!='' and se_k == e_name:
                    outcomes+=se_v
                elif e_name=='':
                    outcomes+=se_v
    return outcomes

def p(sample_space, f_name):
    return get_outcomes(sample_space, f_name) / get_outcomes(sample_space, '', '')

def p_inters(sample_space, f_name, e_name):
    return get_outcomes(sample_space, f_name, e_name) / get_outcomes(sample_space, '', '')

def p_conditional(sample_space, f_name, e_name):
    return p_inters(sample_space, f_name, e_name) / p(sample_space, f_name)

def bayes(sample_space, f, given_e):
    sum = 0;
    for e_k, e_v in sample_space.items():
        sum+=p(sample_space, e_k) * p_conditional(sample_space, e_k, given_e)
    return p(sample_space, f) * p_conditional(sample_space, f, given_e) / sum

sample_space = {'UK':{'Boy':10, 'Girl':20},
                'FR':{'Boy':10, 'Girl':10},
                'CA':{'Boy':10, 'Girl':30}}

print('Probability of being from FR:', p(sample_space, 'FR'))
print('Probability to be French Boy:', p_inters(sample_space, 'FR', 'Boy'))
print('Probability of being a Boy given a person is from FR:', p_conditional(sample_space, 'FR', 'Boy'))
print('Probability to be from France given person is Boy:', bayes(sample_space, 'FR', 'Boy'))

sample_space = {'Grow' :{'Up':160, 'Down':40},
                'Slows':{'Up':30, 'Down':70}}

print('Probability economy is growing when stock is Up:', bayes(sample_space, 'Grow', 'Up'))

PR（A | B）：A的条件概率：即A的概率，因为我们所知道的是乙

PR（A）：A的先验概率

Pr为概率，PR（A | B）。是条件概率

检查维基百科的详细资料。

管道（|）的意思是 “给定的”。 一个给定的B的概率等于给定甲X PR（A）/ PR（B）B的概率

根据您的问题，我可以强烈建议您首先需要阅读概率论的一些本科生的书。如果没有这个，你就不会与朴素贝叶斯分类器的任务正常推进。

我建议你这本书 http://www.athenasc.com/probbook.html或看看 MIT开放。

在管被用来表示条件概率。 PR（A | B）= A给定B的概率

实施例： 比方说，你是不是感觉很好，你对冲浪症状的网页。和互联网告诉你，如果你有这些症状，那么你有某某病。

在这种情况下： PR（A | B）是你试图找到答案，这就是： 的你的概率具有XYZ鉴于你有某些症状。

PR（A）是具有所述疾病XYZ

的概率

PR（B）是具有那些症状的概率

PR（B | A）是您从互联网上，这是找出哪些： 有鉴于您有疾病症状的可能性。

许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top