贝叶斯算法人生

这篇具有很好参考价值的文章主要介绍了贝叶斯算法人生。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

哈喽大家好,我是咸鱼

之前看到过耗子叔写的一篇文章《程序算法与人生选择》,这篇文章中耗子叔结合计算机中的经典算法(排序、动态规划等等),让大家在人生道路的选择上获得了一些启发

我最近看了一些关于贝叶斯思想的文章,觉得还挺有感触的,于是打算写一篇相关的文章

今天这篇文章不会跟大家讲贝叶斯公式的推导

而是介绍什么是贝叶斯思想,以及如何结合贝叶斯思想为自己的人生规划做决策

前言

贝叶斯思想是由英国数学家和统计学家托马斯·贝叶斯(Thomas Bayes)提出的

托马斯·贝叶斯生活于 18 世纪,他的主要贡献是在概率理论领域。尽管贝叶斯自己并没有将其思想形成完整的理论,但他的名字被用于描述一类基于条件概率的推理方法,即贝叶斯方法

贝叶斯将概率解释为一种表示不确定性或信念的度量,而不仅仅是频率的统计概念

关于贝叶斯思想,有两个概念需要大家知道:

  • 先验概率(Prior Probability):先验概率是在考虑任何观察数据之前,基于经验、先前知识或主观判断所获得的概率。它表示对事件发生的初始信念或先前的估计
  • 后验概率(Posterior Probability):后验概率是在考虑观察数据之后,通过使用贝叶斯定理计算得到的概率。它表示在观察到新的数据后,对事件发生概率的修正和更新

贝叶斯思想的核心就是通过结合先验知识(先验概率)和新的观察数据来更新和修正我们的信念(后验概率)

频率学派认为:概率是事件在一段时间内发生的频率。不参照过去的经验,只按照当前已有的数据进行概率推断

例如你一直扔一个标准的硬币,你得到正面的概率永远是 50%

贝叶斯派认为:概率是我们对一件事情发生的相信程度(信念度)。换句话说,发生某件事情的概率越大,表明我们对这件事情发生的信心越大

1968 年 6 月,天蝎号核潜艇在大西洋亚速海海域失踪了,潜艇上的 99 名海军官兵全部杳无音信

对于搜寻人员来讲,无异于大海捞针。海军请来了科学家 John Craven 来组织搜寻,下面是他搜寻的步骤:

  • John Craven 列出了一系列能够解释这场事故的场景
  • 接着,他组建了了一个由各个领域专家组成的团队,让每个成员提供自己对每个可能场景发生概率的猜测
  • 然后将整个海域被分成了很多个小格子,每个小格子有两个概率值 p 和 q,p是潜艇躺在这个格子里的概率,q 是如果潜艇在这个格子里,它被搜索到的概率
  • 每次寻找时,先挑选整个区域内潜艇存在概率值最高的一个格子进行搜索
  • 如果没有发现,概率分布图则会被“洗牌”一次,搜寻船只就会驶向新的“最可疑格子”进行搜索,这样一直下去,直到找到天蝎号为止

贝叶斯算法人生

John Craven 采用的正是贝叶斯法——先根据先前的常识、经验进行预测得到先验概率然后进行搜索

每一次没搜到都不会被浪费,也不是简单被标注为不在这里,而是用于更新调整整体的估算概率(后验概率)

贝叶斯算法

当我们在面临人生的选择,又或者在进行人生规划的时候,我们可以结合贝叶斯思想来指导我们做决策

要点一:拥抱不确定性

贝叶斯思想告诉我们,概率是一种主观的信念,并且这个概率会随着后续更多的信息不断更新

这个概率不断更新的过程,其实就是不断尝试、不断接受新信息的过程

我们想要做抖音,想要打造个人 IP,但是我们又担心万一自己辛苦一番,后面要是抖音这些自媒体不吃香了怎么办?

我们打算考研,但是我们又不知道自己能不能考得上,万一辛苦备考一年考不上该咋办?

说到底就是害怕不确定性。确保成功是很多人做决定的前提,但是我们要知道,这个世界上并没有什么事情是确定的

而贝叶斯思想告诉我们,在做一件事情之前(自媒体、考研),可以先有一个大概的评估(自媒体是否还是风口,自己过去的学习成绩怎么样),这个评估就是先验信念

然后就是先干起来再说,不要害怕不确定性、害怕错误,然后在这个过程中不断地更新自己的后验信念,调整策略

越是追求确保成功的人,反而越脆弱,越容易掉入决策的陷阱,越容易上别有用心的人的当

例如,市面上的种种骗术都是以“确保成功”为吸引点的

要点二:重视基础概率

贝叶斯思想中有两个概率——先验概率和后验概率

但还有一个概率我们需要知道——基础概率

基础概率是关于一个类别、事件或条件的总体频率,是没有任何额外信息的情况下的概率

基础概率也可以被看作是一种特殊的先验概率,即没有任何特定证据的先验概率

我们要重视基础概率,例如去鱼多的地方捕鱼,鱼多就是一个基础概率

中国的首富一直是农夫山泉的老板。一个重要的原因是:2022年中国饮料市场约为12478 亿,其中包装饮用水占比约为 62.7%,基数够大,基础概率够大

选择比努力更重要这句话也表明我们要重视基础概率

就业方面是选择夕阳行业还是新兴行业?投资方面是看重局部时间的涨跌概率还是看重长期的基本面?填志愿是选择王牌专业还是冷门专业?

要点三:对新信息保持“敏感”,又有独立判断的“钝感”

虽然贝叶斯派认为概率是主观的,但是并不意味着贝叶斯派是一群主观的人

相反,他们随时打算更新自己的观点

哪怕新的信息(证据)和自己的信念相反,哪怕消息很让人恼火,很羞辱自己的智商,贝叶斯派们也坦然接受。

但是他们又不是简单的见风使舵,他们不会因为新信息彻底抛弃旧的信念,还需要结合先验概率来独立判断

  • 对新信息保持“顿感”

例如,我们拥有的某支股票近期波动较大,当我们看到某些看空的评论时,我们应该更新对这支股票的评估

  • 考虑基础概率和先验概率,独立判断的“钝感”

对于这支股票,无论是市场政策还是其公司经营情况都是利好的(先验概率),那么即使我们收到了一些利空的信息或评论,也不能够立即得出股票需要抛出的结论

我们还需要权衡初步信念(长期看好这支股票)和新的证据(利空评论)

这样的平衡不但使我们对新信息保持敏感,又能保持我们对初步信念的忠实,避免被一些可能的偶然事件或者噪音误导

总结

这个世界充满不确定性,我们需要拥抱不确定性,拥抱风险,要用逐步消除不确定性来接近确定性,而不是用确定性来证明确定性

在进行人生规划时,我们可以先基于自己的常识、经验和当前的信息来评估自己的决策。然后先干为敬,并在这个过程中不断地试错,以此来动态调整自己的决策

我们还需要重视基础概率,做成功的基础概率大的那个决策

最后,当有新信息出现的时候,我们需要开放接受,但也需要独立判断,既不盲目跟从,也不闭目塞听文章来源地址https://www.toymoban.com/news/detail-500870.html

到了这里,关于贝叶斯算法人生的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 机器学习算法——贝叶斯分类器3(朴素贝叶斯分类器)

    基于贝叶斯公式来估计后验概率P(c|x)的主要困难在于:类条件概率P(x|c)是所有属性上的联合概率,难以从有限的训练样本直接估计而得。 为避开这个障碍,朴素贝叶斯分类器(Naive Bayes classfier)采用了“ 属性条件独立性假设 ”:对已知类别,假设所有属性相互独立。换句话

    2023年04月22日
    浏览(58)
  • 机器学习算法(7)—— 朴素贝叶斯算法

    朴素贝叶斯是一种分类算法,经常被用于文本分类,它的输出结果是某个样本属于某个类别的概率。 概率基础复习 联合概率:包含多个条件,且所有条件同时成立的概率 记作: P(A,B) 条件概率:就是事件A在另外一个事件B已经发生条件下的发生概率 记作: P(A|B) 相互独立:如

    2024年02月10日
    浏览(39)
  • 分类算法系列④:朴素贝叶斯算法

    目录 1、贝叶斯算法 2、朴素贝叶斯算法 3、先验概率和后验概率 4、⭐机器学习中的贝叶斯公式 5、文章分类中的贝叶斯 6、拉普拉斯平滑系数 6.1、介绍 6.2、公式 7、API 8、示例 8.1、分析 8.2、代码 8.3、⭐预测流程分析  🍃作者介绍:准大三本科网络工程专业在读,阿里云专家

    2024年02月10日
    浏览(33)
  • 咸鱼之王小游戏PC版鼠标模拟器实现

    最近朋友在玩咸鱼之王小游戏,用电脑挂机,由于火把缺乏,我看他经常疯狂的点鼠标攻击敌人。 我:\\\"你为什么不用鼠标模拟器去点?\\\" 朋友:\\\"鼠标模拟器点也不能干其他的事情,鼠标必须放到游戏窗口才行。\\\", 我:\\\"我帮你简单实现个鼠标模拟器吧\\\"  总结 其实原理很简单

    2024年02月12日
    浏览(120)
  • 朴素贝叶斯算法

      NaïveBayes算法,又叫朴素贝叶斯算法。   朴素:特征条件独立;   贝叶斯:基于贝叶斯定理。属于监督学习的生成模型,实现简单,没有迭代,并有坚实的数学理论(即贝叶斯定理)作为支撑。在大量样本下会有较好的表现,不适用于输入向量的特征条件有关联的场景

    2024年02月09日
    浏览(37)
  • 贝叶斯算法基本原理

    def BayesianOptimization(target,x,Y):     IF 初始化?         Yes:              xold为已知的所有点中目标函数取得最大值的自变量值             IF target(xold)Y?                      Yes:   return xold,target(xold)    #撞了大运,还没开始迭代就结束了                 No:    Pass

    2023年04月27日
    浏览(22)
  • 朴素贝叶斯算法的介绍

    一、朴素贝叶斯算法的介绍 1.什么是朴素贝叶斯算法? 朴素贝叶斯算法(Naive Bayes Algorithm)是一种基于贝叶斯定理和特征独立性假设的概率分类算法。它被广泛应用于文本分类、垃圾邮件过滤、情感分析等任务。 朴素贝叶斯算法的 基本思想是基于训练数据中的特征和标签之

    2024年02月07日
    浏览(37)
  • 【朴素贝叶斯算法】

    贝叶斯定理简介 贝叶斯定理是朴素贝叶斯算法的基础,它是一种概率理论,用于计算在给定一些条件下,另一些条件的概率。贝叶斯定理的核心思想是通过已知的信息来更新对未知事件的概率估计。 在贝叶斯定理中,我们用P(A|B)表示在事件B发生的条件下事件A发生的概率。它

    2024年02月15日
    浏览(32)
  • 《机器学习核心算法》分类算法 - 朴素贝叶斯 MultinomialNB

    「作者主页」: 士别三日wyx 「作者简介」: CSDN top100、阿里云博客专家、华为云享专家、网络安全领域优质创作者 「推荐专栏」: 小白零基础《Python入门到精通》 朴素贝叶斯法(Naive Bayes model 简称 NBM )是基于 「贝叶斯定理」 与 「特征条件独立假设」 的分类方法。 「贝

    2024年02月08日
    浏览(53)
  • 21- 朴素贝叶斯 (NLP自然语言算法) (算法)

    朴素贝叶斯要点 概率图模型 算法往往应用于 NLP自然语言处理领域 。 根据 文本内容 判定 分类 。  概率密度公式 :   高斯 朴素贝叶斯算法: 伯努利分布 朴素贝叶斯算法 多项式分布 朴素贝叶斯表现 英文one-hot 编码: jieba.lcut (str) 数据去重 :    result = np.unique (result)    

    2023年04月09日
    浏览(45)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包