贝叶斯网络, 条件概率、全概率公式
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
条件概率、 §1.5 条件概率、全概率公 式和贝叶斯公式
一、条件概率 简单地说， 简单地说，条件概率就是在一定附加条件之 下的事件概率. 下的事件概率. 从广义上看，任何概率都是条件概率， 从广义上看，任何概率都是条件概率，因为 任何事件都产生于一定条件下的试验或观察， 任何事件都产生于一定条件下的试验或观察， 但我们这里所说的“附加条件” 但我们这里所说的“附加条件”是指除试验条 件之外的附加信息，这种附加信息通常表现为 件之外的附加信息， 已知某某事件发生了” “已知某某事件发生了”
从这个意义上讲， 它是一个“ 执果索因” 从这个意义上讲 ， 它是一个 “ 执果索因 ” 的条件概率计算公式. 的条件概率计算公式. 相对于事件B 而言 ， 概 率 论 中 把 称 为 先 验 概 率 PriorProbability） （PriorProbability），而把称为后验概 Probability） 率 （ Posterior Probability）， 这 是 在已有附加信息（ 已发生） 在已有附加信息 （ 即事件 B 已发生 ） 之后 对事件发生的可能性做出的重新认识， 对事件发生的可能性做出的重新认识，体 现了已有信息带来的知识更新. 现了已有信息带来的知识更新.
Leabharlann Baidu
这一公式最早发表于1763年 这一公式最早发表于1763年，当时贝 1763 叶斯已经去世， 叶斯已经去世，其结果没有受到应有 的重视. 后来， 的重视. 后来，人们才逐渐认识到了 这个著名概率公式的重要性. 现在， 这个著名概率公式的重要性. 现在， 贝叶斯公式以及根据它发展起来的贝 叶斯统计已成为机器学习、人工智能、 叶斯统计已成为机器学习、人工智能、 知识发现等领域的重要工具. 知识发现等领域的重要工具. 贝叶斯公式给出了‘结果’ 贝叶斯公式给出了‘结果’事件B 已发生的条件下， 原因’ 已发生的条件下，‘原因’事件的条 件概率. 件概率.
一、条件概率 简单地说， 简单地说，条件概率就是在一定附加条件之 下的事件概率. 下的事件概率. 从广义上看，任何概率都是条件概率， 从广义上看，任何概率都是条件概率，因为 任何事件都产生于一定条件下的试验或观察， 任何事件都产生于一定条件下的试验或观察， 但我们这里所说的“附加条件” 但我们这里所说的“附加条件”是指除试验条 件之外的附加信息，这种附加信息通常表现为 件之外的附加信息， 已知某某事件发生了” “已知某某事件发生了”
从这个意义上讲， 它是一个“ 执果索因” 从这个意义上讲 ， 它是一个 “ 执果索因 ” 的条件概率计算公式. 的条件概率计算公式. 相对于事件B 而言 ， 概 率 论 中 把 称 为 先 验 概 率 PriorProbability） （PriorProbability），而把称为后验概 Probability） 率 （ Posterior Probability）， 这 是 在已有附加信息（ 已发生） 在已有附加信息 （ 即事件 B 已发生 ） 之后 对事件发生的可能性做出的重新认识， 对事件发生的可能性做出的重新认识，体 现了已有信息带来的知识更新. 现了已有信息带来的知识更新.
Leabharlann Baidu
这一公式最早发表于1763年 这一公式最早发表于1763年，当时贝 1763 叶斯已经去世， 叶斯已经去世，其结果没有受到应有 的重视. 后来， 的重视. 后来，人们才逐渐认识到了 这个著名概率公式的重要性. 现在， 这个著名概率公式的重要性. 现在， 贝叶斯公式以及根据它发展起来的贝 叶斯统计已成为机器学习、人工智能、 叶斯统计已成为机器学习、人工智能、 知识发现等领域的重要工具. 知识发现等领域的重要工具. 贝叶斯公式给出了‘结果’ 贝叶斯公式给出了‘结果’事件B 已发生的条件下， 原因’ 已发生的条件下，‘原因’事件的条 件概率. 件概率.