Ehdollisen Todennäköisyyden ja Bayesin Lauseen Toteuttaminen Pythonilla
Pyyhkäise näyttääksesi valikon
Ehdollinen todennäköisyys
Ehdollinen todennäköisyys mittaa tapahtuman todennäköisyyttä, kun tiedetään, että jokin toinen tapahtuma on jo toteutunut.
Kaava:
P(A∣B)=P(B)P(A∩B)12345P_A_and_B = 0.1 # Probability late AND raining P_B = 0.2 # Probability raining P_A_given_B = P_A_and_B / P_B print(f"P(A|B) = {P_A_given_B:.2f}") # Output: 0.5
Tulkinta: Jos sataa, on 50 %:n todennäköisyys, että myöhästyt töistä.
Bayes'n kaava
Bayes'n kaava auttaa löytämään $P(A|B)$ tilanteissa, joissa sen mittaaminen suoraan on vaikeaa, yhdistämällä sen $P(B|A)$:han, joka on usein helpompi arvioida.
Kaava:
P(A∣B)=P(B)P(B∣A)⋅P(A)Missä:
- P(A∣B) – A:n todennäköisyys ehdolla B (tavoite);
- P(B∣A) – B:n todennäköisyys ehdolla A;
- P(A) – A:n prior-todennäköisyys;
- P(B) – B:n kokonaistodennäköisyys.
P(B) laajennettuna
P(B)=P(B∣A)P(A)+P(B∣¬A)P(¬A)123456789101112P_A = 0.01 # Disease prevalence P_not_A = 1 - P_A P_B_given_A = 0.99 # Sensitivity P_B_given_not_A = 0.05 # False positive rate # Total probability of testing positive P_B = (P_B_given_A * P_A) + (P_B_given_not_A * P_not_A) print(f"P(B) = {P_B:.4f}") # Output: 0.0594 # Apply Bayes’ Theorem P_A_given_B = (P_B_given_A * P_A) / P_B print(f"P(A|B) = {P_A_given_B:.4f}") # Output: 0.1672
Tulkinta: Vaikka testitulos olisi positiivinen, on vain noin 16,7 %:n todennäköisyys, että henkilöllä on todella tauti.
Keskeiset huomiot
- Ehdollinen todennäköisyys määrittää A:n todennäköisyyden, kun tiedetään B:n tapahtuneen;
- Bayesin kaava kääntää ehdolliset todennäköisyydet ja päivittää uskomuksia, kun suora mittaus on vaikeaa;
- Molemmat ovat olennaisia data-analytiikassa, lääketieteellisessä testauksessa ja koneoppimisessa.
Oliko kaikki selvää?
Kiitos palautteestasi!
Osio 5. Luku 4
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Mahtavaa!
Completion arvosana parantunut arvoon 1.96Osio 5. Luku 4