知识卡片
主观先验的贝叶斯修正
贝叶斯方法的核心是:先预估一个主观的先验概率,再根据后续观察到的结果不断调整,随着调整次数增加,得到的概率越来越精确(即后验概率)。地铁例子中,小林在早高峰被遮挡视线、听不到报站,若下一站直接出站,正好到高新园站的概率只有1/18;但看到同事走出站台这一有效信息后,因早高峰同事去公司的概率更高,他跟随出站果然到达。这里的思考链是:先验判断(1/18)→获得新信息(同事出站)→修正为更可靠的判断。用途是把不确定情境下的决策形式化为可更新的过程;边界是先验的选择带主观性,信息质量差时修正也会偏。迁移启发:先给出初始判断,再主动寻找能改变判断的证据。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 垃圾邮件克星:朴素贝叶斯算法 6.2.1 理论概率与条件概率 · 查看原书依据
该方法要求我们先预估一个主观的先验概率,再根据后续观察到的结果进行调整,随着调整次数的增加,真实的概率会越来越精确。这句话怎么理解呢?我们通过一个坐地铁的例子解释这句话的含义。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第6章《垃圾邮件克星:朴素贝叶斯算法》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00011.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文借托马斯·贝叶斯之口说明该方法“要求我们先预估一个主观的先验概率,再根据后续观察到的结果进行调整,随着调整次数的增加,真实的概率会越来越精确”,并用小林跟随同事出站到站的地铁例子加以演示。
- 原始内容:该方法要求我们先预估一个主观的先验概率,再根据后续观察到的结果进行调整,随着调整次数的增加,真实的概率会越来越精确。这句话怎么理解呢?我们通过一个坐地铁的例子解释这句话的含义。