贝叶斯算法人生

贝叶斯,算法,人生 · 浏览次数 : 289

小编点评

## 贝叶斯思想:拥抱不确定性 贝叶斯思想是由英国数学家和统计学家托马斯·贝叶斯提出的,他相信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。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。 **贝叶斯思想的核心概念:** * **先验概率 (Prior Probability):** 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。 * **后验概率 (Posterior Probability):** 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。 **贝叶斯思想的应用:** * 做一件事情之前,我们可以先根据先前的常识、经验进行评估。 * 在进行人生规划时,我们可以结合贝叶斯思想来指导我们做决策。 * 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。 **贝叶斯思想的价值:** *贝叶斯思想可以帮助我们更好地面对人生的选择。 * 它可以帮助我们做出更 informed 的决策。 * 它可以帮助我们更好地处理不确定的情况。 **一些生活上的应用:** * 在自媒体、考研等决策中,我们可以利用贝叶斯思想来评估风险。 * 在投资决策中,我们可以利用贝叶斯思想来评估基础概率和先验概率。 * 在填志愿选择中,我们可以利用贝叶斯思想来考虑多种因素。

正文

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

image

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

与贝叶斯算法人生相似的内容:

贝叶斯算法人生

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

脆弱性-鲁棒性-反脆弱性

哈喽大家好,我是咸鱼 在开始本篇文章之前,我想先问小伙伴们一个问题: 每个人都渴望稳定且有序的生活,但如果一个人的生活过于稳定有秩序且可预测,会有什么不好的影响吗? 如果你每天做同样的事情,都按照同样的方式来度过,一旦出现不可预测的变故,你有应对的策略吗? 在《贝叶斯算法人生》中,我说过这个世界是充

算法金 | AI 基石,无处不在的朴素贝叶斯算法

大侠幸会,在下全网同名「算法金」 0 基础转 AI 上岸,多个算法赛 Top 「日更万日,让更多人享受智能乐趣」 历史上,许多杰出人才在他们有生之年默默无闻, 却在逝世后被人们广泛追忆和崇拜。 18世纪的数学家托马斯·贝叶斯(Thomas Bayes)便是这样一位人物 贝叶斯的研究,初看似平凡,其人

算法金 | 最难的来了:超参数网格搜索、贝叶斯优化、遗传算法、模型特异化、Hyperopt、Optuna、多目标优化、异步并行优化

​ 大侠幸会,在下全网同名「算法金」 0 基础转 AI 上岸,多个算法赛 Top 「日更万日,让更多人享受智能乐趣」 今日 215/10000 为模型找到最好的超参数是机器学习实践中最困难的部分之一 1. 超参数调优的基本概念 机器学习模型中的参数通常分为两类:模型参数和超参数。模型参数是模型通过训

算法金 | 一个强大的算法模型,GPR !!

大侠幸会,在下全网同名「算法金」 0 基础转 AI 上岸,多个算法赛 Top 「日更万日,让更多人享受智能乐趣」 抱个拳,送个礼 高斯过程回归(GPR)是一种非参数化的贝叶斯方法,用于解决回归问题。与传统的线性回归模型不同,GPR 能够通过指定的核函数捕捉复杂的非线性关系,并提供不确定性的估计。在本

机器学习策略篇:详解如何改善你的模型的表现(Improving your model performance)

如何改善模型的表现 学过正交化,如何设立开发集和测试集,用人类水平错误率来估计贝叶斯错误率以及如何估计可避免偏差和方差。现在把它们全部组合起来写成一套指导方针,如何提高学习算法性能的指导方针。 所以想要让一个监督学习算法达到实用,基本上希望或者假设可以完成两件事情。首先,的算法对训练集的拟合很好,这

Java算法之动态规划详解-买卖股票最佳时机

①动态规划 动态规划(Dynamic Programming,DP)是运筹学的一个分支,是求解决策过程最优化的过程。20世纪50年代初,美国数学家贝尔曼(R.Bellman)等人在研究多阶段决策过程的优化问题时,提出了著名的最优化原理,从而创立了动态规划。动态规划的应用极其广泛,包括工程技术、经济、

跟我学Python图像处理丨图像分类原理与案例

摘要:本篇文章将分享图像分类原理,并介绍基于KNN、朴素贝叶斯算法的图像分类案例。 本文分享自华为云社区《[Python图像处理] 二十六.图像分类原理及基于KNN、朴素贝叶斯算法的图像分类案例丨【百变AI秀】》,作者:eastmount 。 一.图像分类 图像分类(Image Classifica

机器学习策略篇:详解理解人的表现(Understanding human-level performance)

理解人的表现 人类水平表现这个词在论文里经常随意使用,但现在告诉这个词更准确的定义,特别是使用人类水平表现这个词的定义,可以帮助推动机器学习项目的进展。还记得上个博客中,用过这个词“人类水平错误率”用来估计贝叶斯误差,那就是理论最低的错误率,任何函数不管是现在还是将来,能够到达的最低值。先记住这点,

统计力学中的概率论基础(一)

本文的主要内容是一些统计力学中的基础的概率论知识,如密度函数、分布函数和贝叶斯定理的一些基本概念,主要作为一个简单的知识内容记录和分享,后续还有更多的同系列文章。