Source –
假设你是一名三年级工程专业的学生，你的专业科目历年平均成绩为 75%。根据你的整体学业记录，你可能认为：
以上百分比构成了我们各个成绩等级的先验分布。我们将遵循贝叶斯公式的基本概念来绘制我们的值。
这些值可以被视为贝叶斯条件概率或分布。
期末考试前两周，你收到了 80% 的期末考试成绩。这会如何影响你对期末考试的信心？首先，我们必须评估以下可能性：
为了归一化并计算 P(D)，内部得分 80% 的总体概率如下：
P(D)=(0.80×0.25)+(0.40×0.50)+(0.10×0.25)
P(D) = 0.20+0.20+0.025=0.425
这里我们将对每个等级应用贝叶斯定理：
P(A∣D)=(0.80×0.25) / 0.425 ≈ 0.47
P(B∣D)=(0.40×0.50) / 0.425 ≈ 0.47
P(C∣D)=(0.10×0.25) / 0.425 ≈ 0.06
结果显示：
接下来的一周，你记录并追踪你的每日学习时长。假设历史数据显示你在过去两周内每天学习时间≥5 小时。那么，
假设你平均每天工作 6 小时。这会成为另一个数据“S”，我们需要计算其更新后的似然值：
我们将在此循环使用贝叶斯公式，随着新证据的出现，我们的信念每次都会更新。用 P(S) 进行归一化：
P(S)=(0.70×0.47)+(0.30×0.47)+(0.05×0.06) ≈ 0.329+0.141+0.003=0.473
进一步更新后：
P(A∣D,S)=0.70×0.47 / 0.473 ≈ 0.70
P(B∣D,S)=0.30×0.47 / 0.473 ≈ 0.30
P(C∣D,S)=0.05×0.06 / 0.473 ≈ 0.01
考虑到你勤奋学习的成果，你获得 A 的信心上升到了 70% 。
现在，我们假设距离期末考试还有 7 天，每一天都是复习或巩固学习的机会。假设掌握剩余主题意味着期末考试额外获得 5% 的分数：
再次进行归一化和更新。最终的后验概率如下：
P(A ∣ all) ≈ 0.84
P(B ∣ all) ≈ 0.16
P(C ∣ all) ≈ <0.01
最终的后验概率显示，A 的概率为 75%，B 的概率为 24%，C 的概率小于 1%。基于此，我们的总体概率很可能会上升。
如果您恰好有机器学习背景，我相信您可能会对这篇文章非常熟悉。是的，我们遵循的机制与朴素贝叶斯中使用的机制完全相同，即贝叶斯公式。
有了后验分布，我们现在可以做出合理且优化的决策。方法如下：
贝叶斯思维并不需要复杂的数学知识。当我们获得新的证据时，我们只需要一个清晰、结构化的方法来更新我们的信念。无论你是在个人生活、工作、研究还是学习中做出决策，将你的进步视为一个由数据塑造的动态信念系统，都能让你做出更明智、更明智的决策。
以下是一些在日常场景中应用贝叶斯推理的实用方法：
虽然我们的例子主要关注考试成绩，但贝叶斯推理具有普遍适用性。一些常见的应用包括：
通过有意识地用先验概率、似然概率和后验概率来构建问题，我们可以在决策过程中获得更清晰的思路和更灵活的适应能力。我们可以量化新信息对我们思维的影响，避免对噪音反应过度或对关键证据反应不足。
贝叶斯思维能够将任何不确定性转化为清晰、透明且优化的决策流程。明确你的初始假设，评估新信息或新特征将如何改变这些假设，并持续更新这些数据，可以帮助你提升决策的清晰度和自信心。无论你是在评估项目成果、医疗诊断、市场趋势，还是日常选择，掌握这种方法都能为在不确定的情况下进行决策提供强大的框架。下次你面对未知时，不妨借鉴你的先验知识，权衡你的证据，并让贝叶斯定理指引你做出更明智的判断。
全部评论
留言在赶来的路上...
发表评论