Machine learning 贝叶斯学习-映射映射
假设我有一组hypotesys H={h1,h2}互斥。对于它们,P(h1)=0.2,P(h3)=0.3(先验分布)。 假设我们也知道 p(Y=0 | h1)=0.2 P(Y=0 | h2)=0.4 其中Y是一个属性(目标),可以有两个值{1,0}。 最后假设您观察到事件Y=0 哪一个是地图(最大后验概率)hipotesysMachine learning 贝叶斯学习-映射映射,machine-learning,bayesian,Machine Learning,Bayesian,假设我有一组hypotesys H={h1,h2}互斥。对于它们,P(h1)=0.2,P(h3)=0.3(先验分布)。 假设我们也知道 p(Y=0 | h1)=0.2 P(Y=0 | h2)=0.4 其中Y是一个属性(目标),可以有两个值{1,0}。 最后假设您观察到事件Y=0 哪一个是地图(最大后验概率)hipotesys 地图是h1 地图是h2 没有足够的元素来查找地图 映射h1=映射h2 没有人知道上面可能的答案 应在math.stackexchange.com或stats.stacke
- 地图是h1
- 地图是h2
- 没有足够的元素来查找地图
- 映射h1=映射h2
- 没有人知道上面可能的答案
因此,
h2
是更可能的假设,因为p(Y=0)>0
这个问题似乎离题了,因为它是关于数学,而不是编程的。@larsmans你是对的,但我正在为计算机科学课程的考试而紧张,我想这里的人可能知道答案。你能帮我吗?谢谢。我也在math.stackexchange.com上问了这个问题,但没有人给我答案。我有另一个例子:如果不知道P(Y=0 | h1)=0.2p(Y=0 | h2)=0.4,我有P(Y=1 | h1)=0.2p(Y=0 | h2)=0.4,结果会改变,地图缩影变为h1右(P(h1 | Y=0)=0.16和P(h2 Y=0)=0.12)?最后一个问题:如果我理解得很好,先验概率之和不必是1。是吗?如果你有P(Y=1 | h1)
并且知道Y
只取两个值,那么P(Y=0 | h1)=1-P(Y=1 | h1)
,计算是类似的。在可能的事件中,优先级总和为1
,其中事件是{h1和h2,h1和不是h2,不是h1和h2,无}
,这显然不是仅仅知道P(h1)
和P(h2)
,但由于它们是相互排斥的,你有P(h1)+P(h2)+P(不是h1,不是h2)=1
P(Y=0|h1)P(h1) 0.2*0.2 0.04
P(h1|Y=0) = ------------- = ------- = ------
P(Y=0) P(Y=0) P(Y=0)
P(Y=0|h2)P(h2) 0.3*0.4 0.12
P(h2|Y=0) = -------------- = ------- = ------
P(Y=0) P(Y=0) P(Y=0)