Doğru Ta ile karşılaşma olasılığı ne kadar yüksek? Bayesyan size cevabı söyleyecek
Bayes (yaklaşık 1702-1761) İngiliz rahip ve matematikçi Thomas Bayes, Bayes istatistik teorisini yarattı ve istatistiksel karar fonksiyonlarına, istatistiksel çıkarımlara ve istatistiksel tahminlere katkıda bulundu. AIer'in büyük kardeşlerinden biri.
Bayesçi karar teorisi, sınıflandırma problemlerini çözmek için temel bir yöntemdir. Aradaki fark şudur: Farklı olasılık sınıflandırma kararları ile ilgili karar maliyetleri arasındaki ödünleşimden tam olarak yararlanın . Önceki olasılık temelinde ve maksimum olabilirlik fonksiyonunu göz önünde bulundurarak, sınıflandırma kararları vermek için maksimum posterior olasılığı kullanabiliriz. Karar vermenin maliyetini ya da kaybını düşünürseniz, Bayesçi karar teorisi olur ... Ah, editörün özenli araştırmasından sonra, Bayesçi karar teorisinin kızların aşk davranışını çok iyi açıklayabildiğini buldum!
Editör bir şekilde bir veri seti oluşturdu ve kişilik, görünüm ve yetenek açısından üç açıdan (1 ~ 5 puan) 10.000 erkek çocuğu puanladı ve ardından kızlardan memnun olup olmadıklarını değerlendirmelerini istedi.
Şimdi birlikte bazı ilginç şeylere bakalım:
ilk gün
Küçük A bekar bir kızdır ... Bir gün, Küçük A'nın en iyi arkadaşı Küçük B, gizemli bir şekilde erkek arkadaşını tanıtmak ister, ancak özel içerikten bahsedilmez. Akşam, kız kardeş A ters döndü ve sürekli merak ederek: Kimi tanıtacak? Şartlar nelerdir? Bunun hakkında konuşabilir miyim bilmiyorum ... Şu anda, örnekteki "deneyime" dayanarak (6428 memnun, 3572 memnun değildi), Xiao A muhtemelen tanışmayan çocuktan memnun olma olasılığını tahmin etti:
Analiz: Herhangi bir bilgi olmasa bile, sadece basit sezgiye dayanarak, Xiao'nun Ruyi Langjun'la buluşma olasılığı sonuçta yarıdan fazla! Bu nedenle, dünyada hala çok sayıda insan var.
sonraki gün
Küçük B öğlen yemek yerken gizemli bir şekilde Küçük A'ya ifşa edildi. Bu çocuğun 4 yetenek puanı var. Hata mı? Fena değil, A biraz mutluyken, ünlü Bayesçi formüle göre tatmin olasılığını ayarladı:
Çocuğun yeteneğinin sadece 4 puan olduğunu bildiğinde, tatmin olma olasılığı şudur:
Analiz: Küçük A, çocuk hakkında daha fazla bilgi alırken, daha iyi kararlar vermek için Bayes formülünü kullanabilir.Önceki olasılık olan% 64.28'den% 70.11'lik arka olasılığın çok arttığı açıktır. Aynı zamanda, eğer çocuk en iyi öğrenci ise, yetenek = 5 puan, o zaman bu olasılık% 74.41'e çıkacaktır! ! !
Üçüncü gün
Küçük A çocuğun resmini nereden aldığını bilmiyor.Eğer dikkatlice bakarsanız iyi olur.O süper yakışıklı bir adam değil ama en az 3 puanlık bakışla daha dengeli ve sabit görünüyor. Görünüş değeri 3 puan olduğu gibi, bu sefer Xiao A memnuniyet olasılığını gizlice yeniden ayarladı.
Çocuğun yeteneğinin 4 puan ve yüz değerinin 3 puan olduğunu bilerek, memnuniyet olasılığı:
Analiz: Açıktır ki, daha fazla bilgi, daha doğru kararlar vermeye yardımcı olabilir. Yüz değeri = Küçük A'nın bir mesaj almasına yardımcı olmak için 3 puan Erkekler yetenekli ve iyi görünüyor, bu nedenle memnuniyet olasılığı biraz artacaktır. Ek olarak, olasılık hesaplanırken, akıllı küçük A, hesaplamayı basitleştirmek için, Yeteneğin görünüşle ilgisi olmadığını ve birbirinden bağımsız olduğunu varsayarsak , Bu sözde " Naive Bayes (numunenin özellikleri birbirinden bağımsızdır) ".
Dördüncü gün
Bugün, Küçük B, ikisinin birbirleriyle tanışıp birbirlerini tanımalarına izin vermeye karar verdi. Küçük A, küçük B'nin eşliğinde güzelce giyinmiş ve çocukla yemek yemiş. Sohbet sırasında çocuk sıcak, cömert ve neşeliydi ve Xiao A bundan çok etkilendi. O zamandan beri, küçük A ona kişilik için 4 puan, görünüş için 3 puan ve yetenek için 4 puan verdi. Küçük A yerinde hızlıca hesaplanır: Bu çocuğa aşığım, gelecekte tatmin olma olasılığım nedir?
Analiz: Küçük A'nın yolculuğunu başka bir açıdan düşünün Küçük A çocuk hakkında herhangi bir bilgi bilmediğinde, çocuktan tatmin olmama olasılığı% 35,72'dir.Oğlan sevmediğinden ve huzursuz kişiliğinden endişe duymasından kaynaklanıyor olabilir. Bekle; çocuğun sadece 4 puan olduğunu bildiğinde, şüpheleri ortadan kalkıyor, bu yüzden tatminsizlik olasılığı% 29.89'a düşüyor; o zaman her daha faydalı bilgi aldığında Xiao A'nın şüpheleri bir ölçüde azalacak. Ancak öyle olsa bile, kişiliğinde 4 puan, görünüşte 3 puan ve yetenekte 4 puan olan bu çocuğun hala Küçük A'dan% 23.79 memnuniyetsiz olma olasılığına sahip olduğunu unutmayın. Bu, "kader ve puan yok" ile açıklanabilir, Usta Bayes. Yapılabilecek hiçbir şey yok.
Beşinci gün
Küçük A son kez mücadele etmeye başlar, bir karar vermesi gerekir: Bu ilişkiye başlamak mı?
Küçük B: Onlardan oldukça memnun musunuz? O zaman git dene.
Küçük A: Haklısın, ama bundan sadece% 76,21 memnunum.
Küçük C (Little A'nın oda arkadaşı): Ben daha temkinliyim, memnun olmayan bir çocuksa ve onu memnun bir çocuk sanırsam çok üzücü olur. Ben olsaydım, onu reddetme ihtimalim daha yüksek olurdu. Bir çeyrekte hata olasılığı düşük değil.
Küçük A (bir an için düşünme): Bu sorunu çözmek için "Bayes Karar Teorisi" ni kullanabiliriz. Hmm ... Benim için yanlış bir şekilde, memnun olmayan bir çocuk beni pek etkilemeyecek, sadece 100 puan aldığını düşün; ama tatmin olması gereken bir çocuğu düşün Memnun olmayan bir çocuk ol, 999 puandan etkileneceğini düşünüyorum ve sonra
Bence bu tatmin olmuş bir çocuk.
Küçük b:...
Küçük C: ...
Analiz: Nihai bir karar verirken, Xiao A yalnızca son olasılığı kullanmakla kalmaz, aynı zamanda yanlış karar vermenin maliyetini de tam olarak dikkate alır. Hesaplamadan sonra, Küçük A için çocuğun son kararı onu tatmin olmuş bir çocuk olarak yargılamaktır; aynı sorun için, Küçük Cnin hesaplama sonucu onu tatminsiz bir çocuk olarak yargılayacaktır, çünkü Küçük C memnun olmayan çocuğun yanlış değerlendirilmesinden çok endişelidir. Çocuğun sorunundan memnunum.
Olasılıktan Bayes formülüne ve Bayesçi karar vermeye kadar, kararlarımız daha bilimsel ve mantıklı hale geliyor. Bunun nedeni, kademeli olarak daha fazla bilgi eklememiz (erkek çocukların yetenekleri, görünüş vb. Gibi) ve küçük A risk tercihini eklememizdir (iki yanlış kararın küçük A üzerindeki etkisi). Bu, makine öğreniminin çok temel ve etkili bir yöntemidir.Elbette, küçük A, LDA veya karar ağaçları gibi iyi sonuçları olan yöntemleri de kullanabilir. Ancak, makine öğrenimi olduğu için, bu örnekteki 10.000 veri parçası gibi "veri kümelerinden" öğrenmesi gerektiğini unutmayın. Öğrenebileceğimiz bir veri seti yoksa, tüm süreç hiçbir şekilde ilerleyemeyecek ve gerçek dünyaya uymayan daha küçük veri kümeleri ve veri kümeleri bile ikna edici sonuçlar alamayacaktır.
Önsöz, Xiao A sonunda kendi mutluluğunu buldu çünkü:
Makineyi öğrenebilir!
