贝叶斯定理计算怎么做？
贝叶斯定理 在引出贝叶斯定理之前，先学习几个定义：边缘概率（又称先验概率）：某个事件发生的概率。边缘概率是这样得到的：在联合概率中，把最终结果中那些不需要的事件通过合并成它们的全概率，而消去它们（对离散随机变量用求和得全概率，对连续随机变量用积分得全概率），这称为边缘化（marginalization），比如A的边缘概率表示为P(A)，B的边缘概率表示为P(B)。 联合概率表示两个事件共同发生的概率。A与B的联合概率表示为P(A∩B)或者P(A,B)。条件概率（又称后验概率）：事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为P(A|B)，读作“在B条件下A的概率”,。接着，考虑一个问题：P(A|B)是在B发生的情况下A发生的可能性。首先，事件B发生之前，我们对事件A的发生有一个基本的概率判断，称为A的先验概率，用P(A)表示；其次，事件B发生之后，我们对事件A的发生概率重新评估，称为A的后验概率，用P(A|B)表示；类似的，事件A发生之前，我们对事件B的发生有一个基本的概率判断，称为B的先验概率，用P(B)表示；同样，事件A发生之后，我们对事件B的发生概率重新评估，称为B的后验概率，用P(B|A)表示。贝叶斯定理便是基于下述贝叶斯公式：请点击输入图片描述P(A|B)=P(B|A)P(A)/P(B)上述公式的推导其实非常简单，就是从条件概率推出。根据条件概率的定义，在事件B发生的条件下事件A发生的概率是P(A|B)=P(A∩B)/P(B)同样地，在事件A发生的条件下事件B发生的概率P(B|A)=P(A∩B)/P(A)整理与合并上述两个方程式，便可以得到：P(A|B)P(B)=P(A∩B)=P(B|A)P(A)接着，上式两边同除以P(B)，若P(B)是非零的，我们便可以得到贝叶斯定理的公式表达式：P(A|B)=P(B|A)*P(A)/P(B)笔者在看《从贝叶斯方法谈到贝叶斯网络》的时候，看到这里，其实已经晕晕的了。P(A|B) 和 P(B|A) 之类的经常让人混淆，@待字闺中的陈老师给出了理解的一个关键点，区分出规律和现象，就是将A看成“规律”，B看成“现象”，那么贝叶斯公式看成：例如, 病人有明显的症状, 贝叶斯公式可以用来计算诊断正确的概率, 鉴于观察. 简单的说,假设医生对一个人是否患有癌症，并且知道此人的年龄.如果癌症与年龄有关, 然后利用贝叶斯定理， 病人的年龄可以用来获得病人患癌症的更准确的概率。如果我们已经知道B已经发生并且被称为可能性的概率是A。P(A/B) A的概率 假设我们已经知道B已经发生。P(B) 被称为先验概率， P(B/A)是后验概率。
贝叶斯公式的意义
贝叶斯公式是一种用于计算条件概率的数学公式，通常用于统计学和人工智能领域的分类问题。它的核心思想是在已知某些事件的条件下，计算另一个事件发生的条件概率。贝叶斯公式的意义在于，它可以帮助我们在不确定性条件下对事件进行分类和概率估计。例如，在医学诊断方面，贝叶斯公式可以帮助医生根据一些症状判断病人是否患有某种疾病，并计算发生概率，从而对病人进行更准确的诊断和治疗。另外，贝叶斯公式也广泛应用于机器学习和人工智能领域，用于训练分类模型和预测概率。通过不断地更新先验概率和后验概率，可以逐渐提高模型的准确性和可靠性。总之，贝叶斯公式是一种重要的概率计算方法，具有广泛的应用场景和重要的实际意义。
怎么简单理解贝叶斯公式?
贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。其中P（A|B）是在B发生的情况下A发生的可能性。贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯（1702～1761）曾提出计算条件概率的公式用来解决如下一类问题：假设H,H…，H互斥且构成一个完全事件，已知它们的概率P(H),i=1,2,…，n,现观察到某事件A与H,H…，H相伴随机出现，且已知条件概率P(A|H)，求P(H|A)。按贝叶斯定理进行投资决策的基本步骤是：1、列出在已知项目B条件下项目A的发生概率，即将P（A│B）转换为P（B│A）；2、绘制树型图；3、求各状态结点的期望收益值，并将结果填入树型图；4、根据对树型图的分析，进行投资项目决策。
