1.貝葉斯公式

---

貝葉斯公式已經成為機器學習的核心算法之一，諸如拼寫檢查、語言翻譯、海難搜救、生物醫(yī)藥、疾病診斷、郵件過濾、文本分類、偵破案件、工業(yè)生產等諸多方面都有很廣泛的應用，它也是很多機器學習算法的基礎。在這里，有必要了解一下貝葉斯公式。

貝葉斯公式是以英國學者托馬斯·貝葉斯(Thomas Bayes)命名的。1763年Richard Price整理發(fā)表了貝葉斯的成果《An Essay towards solving a Problem in the Doctrine of Chances》，這才使貝葉斯公式展現在世人的面前。

貝葉斯公式是為了解決”逆概”;問題而提出的。正概問題很常見，比如不透明袋中有黑球

M個,白球N個，隨手抓起一個球，求是黑球的概率，大家心算一下就能知道是?M/M+N。

當然，生活中有大量這樣的例子，像人口流動統(tǒng)計、金融統(tǒng)計等等，這些統(tǒng)計的特征就是我們事先已經知道了所有樣本的分布情況，在此基礎上進行概率的計算，這就是“正概”問題。但是，如果我們不知道所有樣本的信息（這樣的例子比比皆是，例如物理學中我們不可能看到所有電子的運行狀態(tài)，所以只能通過實驗模擬觀察大多數的情況去建立最合適的模型去解釋），同時我們又想知道樣本的概率怎么辦呢？貝葉斯公式的作用就體現出來了。

還是一個袋子中裝著若干小球，里面有黑色跟白色，我們隨機取出一些小球，然后根據小球的情況去計算袋中小球實際的分布情況。此時我們可能有很多種模型（猜測）去解釋，隨著取出小球數量的增加，我們的模型也越來越精確，越來越逼近實際的情況，然后我們從這些模型中找出最貼合實際的。總結來說：不同模型的求解就是計算不同的后驗概率（事件已經發(fā)生，求某種因素導致該事件發(fā)生的概率），對于連續(xù)的猜測空間是計算概率密度函數；模型比較如果不考慮先驗概率（根據以往的經驗和分析獲得的概率）則運用了最大似然估計。這就是貝葉斯思想的核心。

下面我舉一個例子：一所學校里面有 60% 的男生，40% 的女生。男生總是穿長褲，女生則一半穿長褲一半穿裙子。有了這些信息之后我們可以容易地計算“隨機選取一個學生，他（她）穿長褲的概率和穿裙子的概率是多大”，這個就是前面說的“正向概率”的計算。然而，假設你走在校園中，迎面走來一個穿長褲的學生（很不幸的是你高度近似，你只看得見他（她）穿的是否長褲，而無法確定他（她）的性別），你能夠推斷出他（她）是男生的概率是多大嗎？

一些認知科學的研究表明（《決策與判斷》以及《Rationality for Mortals》第12章：小孩也可以解決貝葉斯問題），我們對形式化的貝葉斯問題不擅長，但對于以頻率形式呈現的等價問題卻很擅長。在這里，我們不妨把問題重新敘述成：你在校園里面隨機游走，遇到了 N 個穿長褲的人（仍然假設你無法直接觀察到他們的性別），問這 N 個人里面有多少個女生多少個男生。

你說，這還不簡單：算出學校里面有多少穿長褲的，然后在這些人里面再算出有多少女生，不就行了？

我們假設全校總共有H個學生，其中男生（都穿長褲）占60%，只有50%女生穿長褲。

我們首先計算穿長褲的人數：

H*P(Boy)*P(Pants|Boy)+H*P(Girl)*P(Pants|Girl)，其中P(Boy)為男生比例，P(Pants|Boy)為男生中穿長褲的比率（此題中為100%），女生同理。其中創(chuàng)長褲的女生共有H*P(Girl)*P(Pants|Girl)個，兩者一比，我們就得到：

式1

P(Girl|Pants) = P(Girl)*P(Pants|Girl)/P(Boy)*P(Pants|Boy)+P(Girl)*P(Pants|Girl)

而這里面男生女生可以泛指一切事物，所以通用公式為

式2（B'為B的互補，例如男生女生） ??

P(B|A)=P(B)*P(A|B)/P(B')*P(A|B')+P(B)*P(A|B)

其實分母就是指所有穿長褲的人的概率P(Pants)也就是P(A)，分子是女生中穿長褲與是女生同時發(fā)生的概率，也就是P(Pants,Girl)或者說P(A,B),所以式2(全概率公式的一種特殊情況）又可以寫為：式3

P(B|A)=P(A,B)/P(A)

又可以寫為：式4

P(B|A)*P(A)=P(A,B)??? ? ???

同理，我們可以得到P(A|B)*P(B)=P(A,B)?,所以：

P(A|B)*P(B) =?P(B|A)*P(A)，即：式5?

P(B|A)=P(A)*P(B|A)/P(B)

式3或式4也就是貝葉斯公式。其實式2是一個問題共有兩種分類時的情況，例如性別、擲硬幣等只有兩種情況，現實生活中很多是由多種情況構成，一件事情可能由多個原因影響，那么推廣開來，就是貝葉斯公式的通式。如圖1-1所示，一個事物有兩個影響要素A和B，面積的大小對應發(fā)生的概率大小，C事件的發(fā)生受到A和B要素的影響。如果計算在C事件發(fā)生是受到A事件影響的概率P(A|C)，就是計算A∩C與C的面積之比，也就是P(A∩C)/P(C),P(A∩C)又可以寫為P(A,C)，因為P(C|A)表示A條件下C事件發(fā)生的概率，P(A)表示A事件發(fā)生的概率，即A的面積，所以P(A)*P(C|A)即A∩C的面積，也就是即A和C同時發(fā)生的概率P(A,C)。就得到P(A∩C)=P(A)*P(C|A), 同理：P(B∩C)=P(B)*P(C|B),因為得到 P(A|C)=P(A)*P(C|A)/[P(A)*P(C|A)+P(B)*P(C|B)]。這是一個事物的影響因素由兩個組成的情況，我們把所有情況統(tǒng)一起來就是全概率公式:

?式6

?

---

2.貝葉斯推斷

2.1什么是貝葉斯推斷

貝葉斯推斷（BAYESIAN INFERENCE）是一種應用于不確定性條件下的決策的統(tǒng)計方法。貝葉斯推斷的顯著特征是，為了得到一個統(tǒng)計結論能夠利用先驗信息和樣本信息。通俗來講，我想知道A事件的發(fā)生，如果沒有任何的先驗知識，我只能做出它發(fā)生與不發(fā)生的概率各占50%的判斷。但是，幸運的是我知道B事件發(fā)生了，根據兩者的關聯(lián)經驗，我知道它對A事件的發(fā)生起到促進作用，所以我可以更加準確的判斷A事件是大概率發(fā)生的（如80%），而不是起初的非零即一的50%。如果我有更多A的關聯(lián)事件，那么我可以做出更加準確的判斷，這就是貝葉斯推斷。

我們還是看式5：P(B|A)=P(A)*P(B|A)/P(B)，P(A)是我們的先驗概率，(Prior probability)，即在B事件發(fā)生之前，我們對A事件概率的一個判斷。P(A|B)稱為"后驗概率"（Posterior probability），即在B事件發(fā)生之后，我們對A事件概率的重新評估。

P(B|A)/P(B)稱為"可能性函數"（Likelyhood），這是一個調整因子，使得預估概率更接近真實概率。

為了更直觀的解釋貝葉斯推斷，這里舉一個維基百科的例子——吸毒監(jiān)測：

假設一個常規(guī)的檢測結果的敏感度與可靠度均為99%，即吸毒者每次檢測呈陽性（+）的概率為99%。而不吸毒者每次檢測呈陰性（-）的概率為99%。從檢測結果的概率來看，檢測結果是比較準確的，但是貝葉斯定理卻可以揭示一個潛在的問題。假設某公司對全體雇員進行吸毒檢測，已知0.5%的雇員吸毒。請問每位檢測結果呈陽性的雇員吸毒的概率有多高？

令“D”為雇員吸毒事件，“N”為雇員不吸毒事件，“+”為檢測呈陽性事件?？傻?/span>

1、P(D)代表雇員吸毒的概率，不考慮其他情況，該值為0.005。因為公司的預先統(tǒng)計表明該公司的雇員中有0.5%的人吸食毒品，所以這個值就是D的先驗概率。

2、P(N)代表雇員不吸毒的概率，顯然，該值為0.995，也就是1-P(D)。

3、P(+|D)代表吸毒者陽性檢出率，這是一個條件概率，由于陽性檢測準確性是99%，因此該值為0.99。

4、P(+|N)代表不吸毒者陽性檢出率，也就是出錯檢測的概率，該值為0.01，因為對于不吸毒者，其檢測為陰性的概率為99%，因此，其被誤檢測成陽性的概率為1 - 0.99 = 0.01。

5、P(+)代表不考慮其他因素的影響的陽性檢出率。該值為0.0149或者1.49%。我們可以通過全概率公式計算得到：此概率 = 吸毒者陽性檢出率（0.5% x 99% = 0.495%)+ 不吸毒者陽性檢出率（99.5% x 1% = 0.995%)。P(+）=0.0149是檢測呈陽性的先驗概率。

用數學公式描述為：

根據上述描述，我們可以計算某人檢測呈陽性時確實吸毒的條件概率P(D|+)：

盡管吸毒檢測的準確率高達99%，但貝葉斯定理告訴我們：如果某人檢測呈陽性，其吸毒的概率只有大約33%，不吸毒的可能性比較大。假陽性高，則檢測的結果不可靠。

同時，我們可以計算一下假如一個人吸毒，但他誤檢測成陰性的概率P(D|-)：

P(D|-)?=P(-|D)P(D)/P(-|D)P(D)+P(-|N)P(N)

????????? ?=0.01*0.005/0.01*0.005+0.99*0.995

???????? ? =0.0000507

可見，一個人吸毒但被誤檢測為陰性的概率只有0.005%，也就是說一個人如果檢測為陰性，則基本可以判定他沒有吸毒。但是一個人如果監(jiān)測為陽性，則只有33%的概率確定他吸毒。這在跟很多醫(yī)學監(jiān)測當中的案例很相似，假陽性比假陰性更值得我們關注！

2.2貝葉斯推斷與拼寫糾正

貝葉斯推斷其實有很多應用，例如語言翻譯、中文分詞、圖像識別等，很多博客也以拼寫糾正作為示例，這里我就詳細講一下拼寫糾正的過程。

經典著作《人工智能：現代方法》的作者之一 Peter Norvig 曾經寫過一篇介紹如何寫一個拼寫檢查/糾正器的文章，詳情戳這里。

用戶在輸入過程中，難免會遇到拼寫錯誤的情況，我們要做的就是給出一個或幾個糾正后的用戶本來想要輸入的單詞推薦。這里的一個關鍵問題就是：用戶到底想要輸入什么單詞？

其實用數學的語言來描述，就是要求出

P(我們猜測用戶要輸入的單詞|用戶實際輸入的單詞)的大小。

用T表示我們猜測用戶輸入的單詞，用S表示用戶實際輸入的單詞，那么就是求?

P(t|S)= P(S|t)*P(t)/P(S)的大小。

對于同一個單詞，P(S)的概率是一樣的，那么就等價于P(t|S)∝ P(S|t)×P(t)。??

∝是正比于，不是無窮大，那么要是的P(t|S)最大，就是使得P(S|t)×P(t)最大。

P(S|t)名義上是指我們猜測的單詞t是用戶真正想輸入單詞的概率，不同的單詞概率不同，這就涉及到最大似然估計。例如用戶輸入的單詞是thriw,這時throw跟thraw都有可能，但是你會想到，o跟i很接近，用戶可能要輸的單詞是throw的可能性比thraw的可能性大得多，根據最大似然估計找出最可能的單詞。但是，有時候光有最大似然并不能完美的解決問題，我們還需要利用先驗概率P(t)。

P(t)使我們猜測的單詞出現的概率，這些單詞t_1、t₂、t_3....理論上有無窮種，但它是一種先驗概率，對于單詞來說，可能有點抽象。這里舉一個分詞的例子：

The girl saw the boy with a telescope.

如果僅用最大似然估計方法的話，可能會給出兩種結果：

1 The girl saw | the boy with a telescope? ??

2.The girl saw the boy | with a telescope

但是根據我們的常識，一個女孩看著一個拿著望遠鏡的男孩？拿著望遠鏡有點莫名其妙，與“看”這個動作聯(lián)系起來，那么最合適的解釋恐怕是女孩拿著望遠鏡看那個男孩。那么得出這個結論，就是用到我們的先驗知識，也就是P(t)。

網站：博客園

網站鏈接：https://www.cnblogs.com/

文章鏈接：https://www.cnblogs.com/SUNYZBlog/p/9610378.html

版權歸原作者所有，轉載僅供學習使用，不用于任何商業(yè)用途，如有侵權請留言聯(lián)系刪除，感謝合作。

數據與算法之美

用數據解決不可能

長按掃碼關注

總結

以上是生活随笔為你收集整理的机器学习核心算法之——贝叶斯方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。