-
貝葉斯推斷
鎖定
- 中文名
- 貝葉斯推斷
- 外文名
- BAYESIAN INFERENCE
- 別 名
- 貝葉斯推理
- 提出者
- 託瑪斯·貝葉斯
- 應用學科
- 統計學
目錄
貝葉斯推斷貝葉斯定理的簡介
貝葉斯推斷正式的介紹貝葉斯推斷
貝葉斯推斷將後驗概率(考慮相關證據或數據後,某一事件的條件機率)推導為二個前件、先驗概率(考慮相關證據或數據前,某一事件不確定性的機率)及似然函數(由概率模型推導而得)的結果。貝葉斯推斷根據貝葉斯定理計算後驗概率:
其中
H表示假説,其機率可能會受實驗數據(以下會稱為證據)影響。一般來説會有許多互相矛盾的假説,任務是要確認哪一個假説可能性最高。
E表示證據。證據對應新的數據,也就是還沒用來計算先驗概率的數據。
P(H),先驗概率,是觀察到數據E(目前證據)之前,假説H的機率。
P(E)有時會稱為邊緣似然率。此係數對所有可能的假説都是定值,因此在判斷不同假説的相對機率時,不會用到這個係數中。
貝葉斯定理也可以寫成下式:
貝葉斯推斷非正式的介紹貝葉斯推斷
貝葉斯推斷最關鍵的點是可以利用貝斯定理結合新的證據及以前的先驗機率,來得到新的機率(這和頻率論推論相反,頻率論推論只考慮證據,不考慮先驗機率)。
而且貝葉斯推斷可以迭代使用:在觀察一些證據後得到的後設機率可以當作新的先驗機率,再根據新的證據得到新的後設機率。因此貝斯定理可以應用在許多不同的證據上,不論這些證據是一起出現或是不同時出現都可以,這個程序稱為貝斯更新(Bayesian updating)。
貝葉斯推斷貝葉斯推斷的描述
貝葉斯推斷定義
x是數據點,可能是一個有許多數值形成的向量。
[1]
貝葉斯推斷貝葉斯推斷
先驗分佈是在觀測資料前的參數分佈
。
先驗分佈可能不容易確認,此時可以用傑佛里斯事前分配在更新較新的觀測值時,先獲得後驗分佈。
後驗分佈是考慮觀測資料後的參數分佈。可以由貝斯法則確認,也是貝葉斯推斷的核心:
若用文字表示,即為“後驗和先驗及似然率的乘積成正比”,有時也會寫成“後驗 = 先驗 × 似然率,在有證據的情形下”。
貝葉斯推斷應用
貝葉斯推斷電腦應用
貝葉斯推斷有在人工智能及專家系統上應用。自1950年代後期開始,貝葉斯推斷技巧就是電腦模式識別技術中的基礎。現在也越來越多將貝葉斯推斷和以模擬為基礎的蒙地卡羅方法合併使用的應用,因為一些模雜的模型無法用貝葉斯分析得到解析解,因圖模式結構可以配合一些快速的模擬方式(例如吉布斯抽樣或是其他Metropolis–Hastings算法)。因為上述理由,貝葉斯推斷在系統發生學研究社羣中來越受到重視,許多的應用可以用同時估測許多人口和進化參數。
貝葉斯推斷歷史
“貝葉斯”是指托馬斯·貝葉斯(1702–1761),他證明了一個特例(現在知道是貝葉斯定理的特例),不過皮埃爾-西蒙·拉普拉斯(1749–1827)推導了此定理的一般版本,應用在天體力學、醫療統計學、可靠度及法學上。早期的貝葉斯推斷是用拉普拉斯不充分理由原則所得的均勻先驗,稱為逆向機率(因為是由觀測值倒推參數的歸納推理,或是從結果倒推到原因)。在1920年代以後,逆向機率很大程度的被另一羣稱為頻率論統計的方式取代。
二十世紀時,拉普拉斯的概念往下分支為二派,開始出現主觀貝葉斯方法及客觀貝葉斯方法。客觀貝葉斯方法(或是不提供信息的貝葉斯方法)中,統計分析只依照假設的模型、分析的資料以及給定先驗分佈的方式(不同的客觀貝葉斯方法會有不同給定先驗分佈的方式)。主觀貝葉斯方法(或是提供信息的貝葉斯方法)中,先驗的規格依信念(也是分析希望要呈現的主張)而定,信念可以由專家整理資訊後總結產生,也可以根據以往的研究等。
- 詞條統計
-
- 瀏覽次數:次
- 編輯次數:8次歷史版本
- 最近更新: T_T神仙