貝葉斯推斷和各類機率Bayesian Inference · 資料科學・機器・人 | 貝氏定理
他寫過兩本書，一本和神學有關，另一本和統計學有關，其中包含了當今有名的貝氏定理（Bayes Theorem）的雛形。
這個定理之後被廣泛應用於推斷問題，即用來做出有根據的推測 ...資料科學・機器・人首頁：DataScienceandRobots中文簡繁轉換說明機器學習如何運作線性迴歸LinearRegression深度學習DeepLearning神經網路NeuralNetworks反向傳播Backpropagation卷積神經網路ConvolutionalNeuralNetworks遞歸神經網路和長短期記憶模型RNN&LSTM使用機器學習機器學習可以回答的問題有哪些如何找出合適的機器學習演算法利用資料如何獲得高品質的資料統計學貝葉斯推斷和各類機率BayesianInference一些建議如何成為資料科學家PoweredbyGitBook貝葉斯推斷和各類機率BayesianInference貝葉斯推斷的運作原理原文：HowBayesianinferenceworksTranslatedfromBrandonRohrer'sBlogbyJimmyLinGoogle簡報上的投影片貝葉斯推斷（BayesianInference）是一套可以用來精進預測的方法，在資料不是很多、又想盡量發揮預測能力時特別有用。
雖然有些人會抱著敬畏的心情看待貝葉斯推斷，但它其實一點也不神奇或神秘，而且撇開背後的數學運算，理解其原理完全沒有問題。
簡單來說，貝葉斯推斷可以幫助你根據資料，整合相關資訊，並下更強的結論。
「貝葉斯推斷」取名自一位大約三百年前的倫敦長老會（Presbyterian）牧師——湯瑪士．貝葉斯（ThomasBayes）。
他寫過兩本書，一本和神學有關，另一本和統計學有關，其中包含了當今有名的貝氏定理（BayesTheorem）的雛形。
這個定理之後被廣泛應用於推斷問題，即用來做出有根據的推測。
如今，貝葉斯的諸多想法之所以會這麼熱門，另一位主教理查德·普莱斯（RichardPrice）也功不可沒。
他發現了這些想法的重要性，並改進和發表了它們。
考慮到這些歷史因素，更精確一點地說，貝氏定理應該被稱作「貝葉斯－普萊斯規則」。
電影院裡的貝葉斯推斷請讀者先想像你人在電影院，剛好看到前面有個人掉了電影票。
這個人的背影如上圖所示，你想叫住他／她，但你只知道這個人有一頭飄逸長髮，卻不知道他／她的性別。
問題來了：你該大喊「先生，不好意思」還是「女士，不好意思」？根據讀者對兩性頭髮長度的印象，你或許會認為這個人是女的。
（在這個簡單的例子裡，我們只考慮長髮和短髮、男性和女性。
）但現在考慮另一個狀況：如果這個人排在男性洗手間的隊伍當中呢？多了這項資訊，讀者或許會認為這個人是男的。
我們可以不經思索地根據不同的常識和知識調整判斷，而貝葉斯推斷正是將這點化為數學，幫助我們做出更精準的評估。
圖說：整間電影院裡的男女、長短髮人口為了將前面的例子用數學表達，我們可以先假設電影院裡的人有一半是女的，有一半是男的。
也就是說100個人裡面，有50名男性和50名女性。
在這50名女性裡，有一半的人有長髮（25人），另一半有短髮（25人）；在50名男性當中，48個人有短髮，兩個人有長髮。
因為在27位長髮觀眾裡，有25位是女性和兩位男性，所以前面第一個猜測很安全。
圖說：男性洗手間隊伍裡的男女、長短髮人口但如果我們換一個場景：在男性洗手間隊伍的100個人裡面，有98位男性和兩位陪伴中的女性。
這裡的女性雖然也有一半是長髮、一半是短髮，但人數減為一位長髮女性和一位短髮女性。
男性觀眾中長髮和短髮的比例也不變，不過因為總人數變成了98人，現在隊伍裡有94位短髮男性，和四位長髮男性。
由於現在長髮觀眾中有一名女性和四名男性，保守的猜測變成了男性。
從這個例子，我們可以很容易地理解貝葉斯推斷的原理。
根據不同的先決條件——也就是這名觀眾是否站在男性洗手間的隊伍裡，我們可以做出更準確的評估。
為了好好說明貝葉斯推斷，我們最好先花點時間清楚定義一些觀念。
很不湊巧這段會用到一些數學，不過我們會避免談任何不必要的細節，請讀者務必耐心讀完以下幾段，這對理解之後的內容很有幫助。
為了打好基礎，我們需要快速認識四個觀念：機率（probabilities）、條件機率（conditionalprob
這個定理之後被廣泛應用於推斷問題，即用來做出有根據的推測 ...資料科學・機器・人首頁：DataScienceandRobots中文簡繁轉換說明機器學習如何運作線性迴歸LinearRegression深度學習DeepLearning神經網路NeuralNetworks反向傳播Backpropagation卷積神經網路ConvolutionalNeuralNetworks遞歸神經網路和長短期記憶模型RNN&LSTM使用機器學習機器學習可以回答的問題有哪些如何找出合適的機器學習演算法利用資料如何獲得高品質的資料統計學貝葉斯推斷和各類機率BayesianInference一些建議如何成為資料科學家PoweredbyGitBook貝葉斯推斷和各類機率BayesianInference貝葉斯推斷的運作原理原文：HowBayesianinferenceworksTranslatedfromBrandonRohrer'sBlogbyJimmyLinGoogle簡報上的投影片貝葉斯推斷（BayesianInference）是一套可以用來精進預測的方法，在資料不是很多、又想盡量發揮預測能力時特別有用。
雖然有些人會抱著敬畏的心情看待貝葉斯推斷，但它其實一點也不神奇或神秘，而且撇開背後的數學運算，理解其原理完全沒有問題。
簡單來說，貝葉斯推斷可以幫助你根據資料，整合相關資訊，並下更強的結論。
「貝葉斯推斷」取名自一位大約三百年前的倫敦長老會（Presbyterian）牧師——湯瑪士．貝葉斯（ThomasBayes）。
他寫過兩本書，一本和神學有關，另一本和統計學有關，其中包含了當今有名的貝氏定理（BayesTheorem）的雛形。
這個定理之後被廣泛應用於推斷問題，即用來做出有根據的推測。
如今，貝葉斯的諸多想法之所以會這麼熱門，另一位主教理查德·普莱斯（RichardPrice）也功不可沒。
他發現了這些想法的重要性，並改進和發表了它們。
考慮到這些歷史因素，更精確一點地說，貝氏定理應該被稱作「貝葉斯－普萊斯規則」。
電影院裡的貝葉斯推斷請讀者先想像你人在電影院，剛好看到前面有個人掉了電影票。
這個人的背影如上圖所示，你想叫住他／她，但你只知道這個人有一頭飄逸長髮，卻不知道他／她的性別。
問題來了：你該大喊「先生，不好意思」還是「女士，不好意思」？根據讀者對兩性頭髮長度的印象，你或許會認為這個人是女的。
（在這個簡單的例子裡，我們只考慮長髮和短髮、男性和女性。
）但現在考慮另一個狀況：如果這個人排在男性洗手間的隊伍當中呢？多了這項資訊，讀者或許會認為這個人是男的。
我們可以不經思索地根據不同的常識和知識調整判斷，而貝葉斯推斷正是將這點化為數學，幫助我們做出更精準的評估。
圖說：整間電影院裡的男女、長短髮人口為了將前面的例子用數學表達，我們可以先假設電影院裡的人有一半是女的，有一半是男的。
也就是說100個人裡面，有50名男性和50名女性。
在這50名女性裡，有一半的人有長髮（25人），另一半有短髮（25人）；在50名男性當中，48個人有短髮，兩個人有長髮。
因為在27位長髮觀眾裡，有25位是女性和兩位男性，所以前面第一個猜測很安全。
圖說：男性洗手間隊伍裡的男女、長短髮人口但如果我們換一個場景：在男性洗手間隊伍的100個人裡面，有98位男性和兩位陪伴中的女性。
這裡的女性雖然也有一半是長髮、一半是短髮，但人數減為一位長髮女性和一位短髮女性。
男性觀眾中長髮和短髮的比例也不變，不過因為總人數變成了98人，現在隊伍裡有94位短髮男性，和四位長髮男性。
由於現在長髮觀眾中有一名女性和四名男性，保守的猜測變成了男性。
從這個例子，我們可以很容易地理解貝葉斯推斷的原理。
根據不同的先決條件——也就是這名觀眾是否站在男性洗手間的隊伍裡，我們可以做出更準確的評估。
為了好好說明貝葉斯推斷，我們最好先花點時間清楚定義一些觀念。
很不湊巧這段會用到一些數學，不過我們會避免談任何不必要的細節，請讀者務必耐心讀完以下幾段，這對理解之後的內容很有幫助。
為了打好基礎，我們需要快速認識四個觀念：機率（probabilities）、條件機率（conditionalprob