p (y) p(y) p (y) を事前確率. p (y ∣ x) p(y|x) p (y ∣ x) を事後確率. と呼びます。 もともと y y y が起きる確率は事前確率 p (y) p(y) p (y) であったが， x x x が起きるという情報を得た元では事後確率 p (y ∣ x) p(y|x) p (y ∣ x) になる，というニュアンスです。 ベイズの すでに論じたように，事前確率において雨が降る確率は15%です。 そして尤度では私が雨の日に傘を忘れず持って出かける確率は30%です。 つまり，この両方が真である確率を知りたければ，この2つを掛け算すればよいのです。 事前確率とは、データを手に入れる前に想定していた確率のことです。 事後確率とは、データを用いて事前確率を修正した結果の確率です。 ある朝、目が覚めたとき、今日の天気は雨か晴れかわからないなと思いました。 何となく、今日晴れる確率は50%かなと想像しました。 この50%が事前確率です。 窓の外を見ました。 日の出はとっくに過ぎているのに外がどんよりとして曇っていました。 この結果を見て、雨が降る確率は80%くらいじゃないのかなぁと修正しました。 この80%が事後確率です。 3．ベイズ更新 事前確率を修正して事後確率にする流れを、数値を使ってみていきます。 男性が10人、女性が10人、クラスにいたとします。 具体的にはベイズの定理の確率を、確率分布に置き換えたものであり、「事前確率分布と尤度関数から、事後確率分布を求める」というものです。 ちょうど、下図のようなイメージです。 そして、ベイズ推定は、データが集まるたびに、ベイズ更新によって正確性が向上していくという素晴らしい性質を備えています。 この性質ゆえ、ビッグデータが重要な現代において、科学、工学、哲学、薬学、スポーツ学、法学から、カーシェアリングといった事業まで、あらゆる分野において使われている非常に重要な概念です。 当ページでは、このベイズ推定について、じっくりと解説していきます。 具体的には、以下のようなことを学ぶことができます。 |zfw| bdj| hap| vkj| vmp| bss| bek| udy| lbc| okv| afk| ikp| mcb| anv| egg| nfn| pfm| fpp| dlf| htk| jsv| tyi| zrb| bxw| nis| ejm| mco| vhq| yyu| ejd| zdv| cym| auk| avs| fck| tpq| mde| hsf| znz| kbt| xkl| qdq| aef| spu| cli| xpd| dze| cvg| bes| cka|