先從一個日常問題入手

我們假設（以下均為假設概率，方便理解沒有任何實際意義）

A事件為：一個人得癌癥，

B事件為：一個人吸煙，

P(A) 為一個人得癌癥的概率，假設為1%，

P(B) 為一個人吸煙的概率，假設為2%，

現在你是一名醫生，此時一個人來看病，疑似癌癥，則根據先驗概率（就是上面假設的已知情況），此人得癌癥的概率為 1%，經過你這位老中醫一頓望聞問切，了解到這個人吸煙，現在請問這個人得癌的概率是多少？

根據概率演算法，一個人得癌，又同時吸煙，則 P = P(A)*P(B) = 0.02% ，

是這樣么？感覺上應該不像，因為這個情況，與我們初中生物學習遺傳特性即是雙眼皮、又是血型A的概率不大一樣，遺傳占比的概率計算上是獨立的，可以直接相乘，

但我們知道吸煙與癌癥有一定的關系，假設得已知得癌癥的人，吸煙的人占比50%，

所以P（A|B） (代表得知吸煙后得癌的概率，即在B訊息出現后，A事件的概率) 應該得另有計算方法，

如圖，我們從理論上看下這個問題，

P（A ∩ B）（為A和B交集部分）

= P(A) * P(B|A) ( P(B|A)代表，A的樣本中， B的占比；或事件B的概率，在A事件出現后的發生概率)

= P(B) * P(A|B) （同上，站在B的角度）

則推導 P（A|B） = P(A) * (P(B|A) / P(B))

回到醫生問題上， P（A|B）代表醫生得吸病人吸煙后，重新評估其得癌癥的概率，

P(A) 代表普通人得癌的概率 1%

P(B|A) / P(B) 代表其于新的訊息，對已有的先驗概率的修正， 50% / 2%，

則此時 P（A|B） = 1% * （50% / 2%） = 25%，

媽呀，這個概率一下子提升了這么高！是的，這說明這兩個事件關聯性非常強，做為醫生的你，因為懂得這個理論，對于一類病癥，能找出關系性非常大的一系串列現，看病非常準，而被稱為這神醫，

這個分析程序，即被稱為貝葉斯分析

難道這就是用于人工智能的貝葉斯分析？每個人大腦中都有的貝葉斯？

是的，原理就是這樣，貝葉斯人就不介紹了，百度即可，

貝葉斯分析思路，對于積累證據來推測一個事物的發生概率具有非常大的作用，當我們要預測一個事件時，我們需要根據這個事件已有的先驗概率，然后在證據不斷積累的情況下，調整這個事件的發生概率，通過積累證據來得到一個事件發生概率的程序，被稱為貝葉斯分析，

如在智能機器人識別你今天的心情，根據已有經驗，生氣概率為25%，此時機器人聽到你說話的語氣很怪，又通過面部識別，發現你的臉比平時長了1cm，于是機器人通過一系統程式員已寫好的代碼運算，判斷你今天生氣的概率為95%，于是乖乖的躲在角落，以免殃及池魚，

一機器在良好狀態生產合格產品幾率是 90%，在故障狀態生產合格產品幾率是 30%，機器良好的概率是 75%，若一日第一件產品是合格品，那么此榷訓器良好的概率是多少，

A：代表機器良好

B：第一臺產品良好

P(A) :代表機器良好概率，毫無疑問 75%

P(B)：代表生產第一臺為良品的概率 = 0.75 * 0.9 + 0.25 * 0.3 = 0.75

P(B|A):代表機器良好時，生產合格產品的概率 = 0.9

則P(A|B) = P(A) * (P(B|A)/ P(B)) = 0.75 * 0.9 / 0.75 = 0.9 = 90%

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/287350.html

標籤：其他