베이즈의 정리 예제

(살을 내셔야 합니다.) 소개는 확률 이론, 결정 이론, 그리고 베이즈 의 정리에 대한이 소개를 참조하십시오. 이 주제에 대한 널리 칭찬 기술 책은 E. T. 제인스의 ”확률 이론 : 과학의 논리”입니다. 로지스틱 회귀를 도출하여 얻을 수 있는 핵심 적인 통찰력 중 하나는 로지스틱 회귀가 선형 모델인 방법을 매우 명확하게 확인하는 것입니다. 우리는 처음에 베이즈의 정리로 우리의 문제를 모델링, 하지만 우리는 우리의 가설과 우리의 가설에 대한 사전 확률을 주어진 데이터에 대한 가능성을 모른다. 우리는 데이터에서 이러한 내용을 배울 수 있기를 원하며 궁극적으로 가설의 로그 배당률과 데이터 (D) 사이에 선형 관계가 있다는 단순화 가정을 원합니다. 다음 게시물에서 우리는 우리가 모델이 훈련 된 후 우리의 이전 확률을 조정하여이 지식을 더 활용할 수 있음을 볼 수 있습니다! 가설 (H)과 증거 (E)를 감안할 때, 베이즈 의 정리는 증거를 얻기 전에 가설의 확률 사이의 관계, P (H), 그리고 증거를 얻은 후 가설의 확률, P (H | E) : 우리가 지금까지 무슨 일이 있었는지 알고 있는지 확인하기 위해 조금 요약하자. 우리는 (P(H | D)), 확률은 우리의 커피 한 잔을 가져 갈 확률은 데이터 (D)를 벗어난 양조 설정을 감안할 때 좋을 것입니다. 베이즈 정리만으로도 (P(D)를 계산하는 방법을 알아낼 수 없다는 점을 제외하고는 이 문제를 거의 해결할 수 있습니다.

즉, (P(H | D)) 우리는 배당률을 볼 필요가 있었다, (O (H | D)) 커피가 좋은 확률과 그렇지 않은 확률을 비교하는 (bar{H}). 배당률은 한 가설이 다른 가설에 대한 확률의 비율 측면에서 결과를 제공합니다: 통계 및 확률 이론에서 Bayes의 정리는 이벤트와 관련된 조건에 대한 사전 지식을 바탕으로 이벤트의 확률을 설명합니다. 조건부 확률을 파악하는 방법으로 사용됩니다. 카드 덱이 있고, 무작위로 선택한 카드가 얼굴 카드라는 점을 감안할 때 무작위로 왕이 될 확률을 알아보고자 합니다.