知识卡片
条件概率与贝叶斯规则
条件概率 P(y|x) 表示已知 x 发生时 y 发生的概率,只在 P(x)>0 时有定义;它不同于『采取某动作后会发生什么』的干预查询,后者属于因果模型范畴。多维联合分布可用链式法则分解为一系列条件概率相乘,从而把复杂分布拆成可控的局部因子。独立性和条件独立性进一步描述变量能否分解:若 P(x,y)=P(x)P(y) 则独立,若给定 z 后对每个 z 值都能分解则条件独立。贝叶斯规则让我们在已知 P(y|x) 和先验 P(x) 时反转得到 P(x|y),其中分母 P(y) 可由边缘化求得,不必事先知道。这套工具是从概率角度建模推断与学习的直接基础。
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
- 第3章 概率与信息论 · 查看原书依据
贝叶斯规则可以从条件概率的定义直接推导得出,但我们最好记住这个公式的名字,因为很多文献通过名字来引用这个公式。这个公式是以牧师Thomas Bayes的名字来命名的,他是第一个发现这个公式特例的人。
参考来源
- 位置:《深度学习》第3章 概率与信息论(源文件:extracted/深度学习/_epub-src/text/part0001_split_000.html)
- 结论依据:原文说明贝叶斯规则可由条件概率的定义直接推导,并强调记住其名称是因为文献常以名字引用它。
- 原始内容:贝叶斯规则可以从条件概率的定义直接推导得出,但我们最好记住这个公式的名字,因为很多文献通过名字来引用这个公式。这个公式是以牧师Thomas Bayes的名字来命名的,他是第一个发现这个公式特例的人。