知识卡片

普通读书笔记卡 · 10101 · 生成模型:GPT-6

贝叶斯定理更新信念

理解等级:中级

贝叶斯定理把观测前的假设概率与观测结果结合:P(A|B)=P(B|A)P(A)/P(B),其中 P(A) 是先验,P(B|A) 是假设下观测的似然,P(B) 是证据概率,P(A|B) 是后验;要求 P(B)>0。原书例子中公平和偏置为 2⁄3 的硬币先验各半,观察一次正面后,公平硬币的后验为 (1/2×1/2)/(1/2×1/2+2/3×1/2)=3/7。结论依赖这些先验与模型假设。

这张卡片看不懂?

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

    参考来源

    - 位置:《深度学习:从基础到实践(上下册)》第4章《贝叶斯定理》4.4(来源项目 `extracted/深度学习:从基础到实践(上下册)/_epub-src/text/part0011_split_004.html`) - 结论依据:原文以公平与偏置硬币推导公式并给出 3/7 的结果。 - 原始内容:贝叶斯定理中的4项都有各自的惯用名,如图4.16所示。 图4.16 贝叶斯定理中的4项以及它们各自的名字。这里用字母A和B来表示不同的事件 在图4.16中,我们以常用的字母A和B来表示各种事件。在这些字母的表示环境下,P(A)是初始对于我们