ベイズ則とは「同時確率」P(x,y)
>x,yが同時に起こる確率のことを表す。
例)x=男、y=小学生 が同時に起こる確率のこと
p(x,y) = p(x)/男の確率✖️p(y)/小学生の確率 x、yが独立に成立する状態
>独立=お互いの確立に影響を与えない。
p(y)/小学生の確率 = ∮p(x,y)d(x)
>N/Σn=1 ∮(x0) ✖️xn =1
>男である確率を全て足すと1になる
p(x|y) = p(x y)/p(y)
yが前提でxが起こる確率を表す式
例)サイコロ[1,2,3,4,5,6]
x = 4以上
y = 偶数
p(x|y) = p(xy)/p(y) = 2/6/3/6=2/3
p(x,y):偶数かつ4以上の確率 = 2/6
p(y):偶数の確率=3/6
>yが偶数の時、4以上の確率
条件つき確率
式1
p(x|y) = p(x y)/p(y)
p(x|y) = p(x y)/P(x)
これが以下のように式変形可能
式2
p(x y) = p(x|y)p(y)
p(x y) = p(y|x)p(x)
ここからさらに
式3
p(x|y)p(y) = p(y|x)p(x)
と表すことができる。なぜなら式1は2つともp(x|y)を表すから
式1の双方の式の右辺は等しい
式4
p(x|y) = p(y|x)✖️p(x)/p(y)
これがベイズの定理
データセットD{xn,tn} n=1の時
パラメータθの最適化をする際に使用する
p(θ|D) = P(D|θ)p(θ)/p(D)
分解解説
P(D|θ):尤度関数・・・パラメータθ前提のDの確率
P(θ):事前分布 パラメータの確率
P(D) : 定数
ポイント
・パラメータθの事前情報を入れることができる
・尤度関数を利用できる
・横軸パラメータθ、縦軸確率が一定ではなく、分布を示す時
活用できる