贝叶斯推理:机器学习为什么需要大量信息？

第5章 贝叶斯法

5.2贝叶斯推理:机器学习为什么需要大量信息？

➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖

️5.2贝叶斯推理:机器学习为什么需要大量信息？

️概率问题可以分为以下两类。

️️️

正向概率问题

✨我们知道原因,要去推测某个现象。

逆概率问题

✨一看到了一些现象,要去推测背后的原因。（通过一些零散的现象来猜测背后的原因时，频率法就失效了。）

️贝叶斯推理的基本逻辑

️️️

✨根据新信息不断调整对一个随机事件发生概率的判断,这就是贝叶斯推理。

️概率是对信心的度量️️

✨概率本质上是对信心的度量,是我们对某个结果相信程度的一种定量化的表达。

️效果随机有两类。

第一类是完全信息的随机性,是指这类随机事件在任何人看来都是随机的。

第二类是非完全信息的随机性,也就是我们因为缺乏信息而不了解的随机性。

✨是指对一个事件,不同人了解到的信息是不同的,因此这个事件对不同的人来说是不一样的。

➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖

️贝叶斯推理的两大优势

️两大优势️️

起点不重要,迭代很重要。

✨贝叶斯不是推理一次就结束了,它是一个不断迭代的过程。每找到一个新信息,就会进行一次推理,得到一个新判断。

✨贝叶斯推理得出的结论最后一定会无限通近真相。

️人生输在起跑线上不要紧,要紧的是你能不能做时间的朋友,不断迭代自己的认知和思维模型。（不断迭代自己的认知和思维模型，调整好自己的方向，尽量保证自己不去走弯路。）

信息越充分,结果越可靠。

✨尽可能丰富的信息,是贝叶斯走向准确的最大保障。

️因为数据越多,可供调整的机会就会越多,计算结果就会越精确,越逼近真相。