追剧学AI (6) | 概率论在机器学习中的迁移运用，手把手建一个垃圾邮件分类器

正文

请到「今天看啥」查看全文

生活中充满了不确定性，我们尝试一些自己觉得会成功的事情，但我们无法确定，比如今天是否会下雨，或者在众人注视下跳舞是否合适，亦或是我是否该在这段感情中投入更多。 概率论给我们搭建了一个大的框架来进行上述的决策，而通过这么做, 我们能做出更有效的决策。

数学的一些分支理论方法， 能够在我们有完整信息时帮助我们做出决定，但是概率论能够训练我们，在规律性与不确定性并存时做出决定。 就像我们真实的生活，它是用来衡量某事发生的可能性。

而分析服从一定概率分布的事件规律这一学科，叫做统计学。 一个简单的例子便是抛硬币，只会存在两种结果，即正或者反，我们可以对正面出现的概率进行建模，因为我们知道两个要素，即事情可能发生的方式以及总共能出现的结果，在这个例子中便是50%。

就像蓝牙的工作频率一样，这是一个随机的变量，它代表着一件我们无法确定的事，无法确定的事并无法像代数那样用变量进行表述。相反的，它有一组可能的取值，也称作样本空间，以及这组里的每一个取值可能发生的概率是通过这样表示的。它们既可以是离散的，只表示一定数量的值，也可以是连续的，能够取到一定范围内的任何值。

假设现在有两件可能发生的事情 A和B，比如，我们抛一枚硬币，以及掷一枚六面的骰子。我们可以用三种方式来衡量它们的可能性，即当硬币是正面时，骰子是4的概率，这便是条件概率。

我们也可以对两件事情同时发生的概率建模 ，比如说，硬币落在正面同时骰子落在4的概率是什么，这便是联合概率。而如果我们想要知道某种特定结果的概率，比如说，仅仅只是硬币或者仅仅只是骰子的投掷概率，这种便被称为边际概率。

贝叶斯统计

在机器学习中我们做了很多类似的假设，有些时候它们是错的（一家公司）， 现在十分流行使用贝叶斯定理，它构建于条件概率的原理之上。

它之所以被称为定理，是因为 我们可以通过逻辑来证明它的真实性 。理论中说道，对于两个事件A和B，如果我们知道在A已知的条件下B发生的条件概率，以及A事件发生的概率，我们能计算得到已知B事件的条件下A发生的条件概率。

换句话来说，已知B的条件下，A发生的后验概率，能够通过下述方法计算得到，即将已知的可能性乘以先验概率，并将乘积除以已知的概率值，事件的先验概率 （the prior是英文中对先验概率的简称），它是利用已有的信息计算得出的概率。

某一天有雨的事前概率可以计算为0.6，在过去的100年里这个日期60%都有雨，我们从一个事前概率入手，现在我们得到了新的信息，从而更准确的重新估计此概率。

如贝叶斯统计学家Lindley所言，掏出枪，当你看到...（此处为2pac Hit'em Up歌词），等等...他说的是今天的事后概率就是明天的事前概率，我们可以利用这个定理，根据新的知识来更新概率。

如果木板断裂，这个小车而坠毁的概率是多少？木板断裂的概率为0.3，小车坠毁的概率为0.5。利用贝叶斯定理，坠毁几率为20%，事故避免啦，那么如何将此应用于机器学习中呢？

请到「今天看啥」查看全文