【频率派和贝叶斯派】进阶学习-贝叶斯方法原理、基本结构、代码构建+图模型

---

前言

频率派与贝叶斯派各自不同的思考方式：
1.频率派把需要推断的参数θ看做是固定的未知数，既概率虽然是未知的，但最起码是确定的一个值，同时，样本X是随机的，所以频率派重点研究样本空间，大部分概率计算都是针对样本空间X的分布；
2.贝叶斯派的观点是相反的，他们认为参数θ是随机变量，而样本X是固定的，由于样本是固定的，所以他们研究的是参数θ的分布。
贝叶斯派既然把θ看做是一个随机变量，所以要计算θ的分布，使得事先知道θ的无条件分布，既在有样本之前（或观察到X之前），θ有着怎样的分布、

---

1.理论支撑

贝叶斯思考模式

先验分布+样本信息=后验分布
在得到新的样本信息之前，人们对θ的认知是先验分布，在得到新的样本信息X后，人们对θ的认知为后验分布；
其中，先验信息一般来源于经验跟历史资料。
比如工厂每天的质检积累，而后验分布一般也认为是在给定样本X的情况下的条件分布，而使后验分布达到最大值称为最大后验估计，类似于经典统计学中的极大似然估计。

贝叶斯定理

贝叶斯公式

2. 应用转化

2.1 拼写检查

思考：在此过程中，浏览器做了那些工作？？
1.input：julw， 浏览器去单词库里面找了一圈有误julw这个单词
2. 若没有找到，则提示和julw最相近的一个单词。
所以这两者直接有啥关系呢？


相差一个字母的拼法，就比相差两个字母的拼法，发生的概率搞。所以。。。Julw（相差一个字母的拼法）就比JUllw

3. 贝叶斯网络

贝叶斯网络是一个有向无环图图，其节点表示随机变量。

3.1 贝叶斯网络的定义

贝叶斯网络节点的三种形式：
1.head to head


当c是一个确定值的时候，a，b就是独立的。

3.2 三个形式和实际案例的构建关系

ref：https://github.com/pgmpy/pgmpy
docment:https://pgmpy.org/started/install.html