歡迎關注ScalersTalk。IT人，搞技術，聊英語，玩口譯，話學術，談生活。學習成長，筆耕不輟。回復m查看文章列表，或者訪問S君小站ScalersTalk.com
你現在看到的是技術系列文章，目前已經發表的文章如下，回復括號數字可閱讀。
海量數據處理系列的前兩篇：
[213]籤名：集合的歸納描述
[207]海量數據相似性檢測：文檔的抽塊處理(Shingling)
其他系列：
[152]清高與小我：談技術人員的優越感(4)
[150]清高與小我：談技術人員的優越感(3)
[149]清高與小我：談技術人員的優越感(2)
[148]清高與小我：談技術人員的優越感(1)
[112]扯點密碼學：可證明安全隨筆
[250]機器學習成長筆記(1)
[251]機器學習三要素：機器學習成長筆記(2)
[253]為什麼需要機器學習：機器學習筆記(3)
[254]有監督學習和無監督學習：機器學習筆記(4)
公式採用Latex編輯，可以在原文連結裡看到轉化後的版本。
先驗概率
Prior probability
在貝葉斯統計中，先驗概率分布，即關於某個變量$$p$$的概率分布，是在獲得某些信息或者依據前，對$$p$$的不確定性進行猜測。例如，$$p$$可以是搶火車票開始時，搶到某一車次的概率。這是對不確定性（而不是隨機性）賦予一個量化的數值的表徵，這個量化數值可以是一個參數，或者是一個潛在的變量。
先驗概率僅僅依賴於主觀上的經驗估計，也就是事先根據已有的知識的推斷，
在應用貝葉斯理論時，通常將先驗概率乘以似然函數（likelihoodfunction）再歸一化後，得到後驗概率分布，後驗概率分布即在已知給定的數據後，對不確定性的條件分布。
似然函數
似然函數（likelihood function），也稱作似然，是一個關於統計模型參數的函數。也就是這個函數中自變量是統計模型的參數。對於結果$$x$$，在參數集合$$\theta$$上的似然，就是在給定這些參數值的基礎上，觀察到的結果的概率$$\mathcal{L}(\theta|x) = P(x | \theta)$$。也就是說，似然是關於參數的函數，在參數給定的條件下，對於觀察到的$$x$$的值的條件分布。
似然函數在統計推測中發揮重要的作用，因為它是關於統計參數的函數，所以可以用來評估一組統計的參數，也就是說在一組統計方案的參數中，可以用似然函數做篩選。在非正式的語境下，「似然」會和「概率」混著用；但是嚴格區分的話，在統計上，二者是有不同。
不同就在於，觀察值$$x$$與參數$$\theta$$的不同的角色。概率是用於描述一個函數，這個函數是在給定參數值的情況下的關於觀察值的函數。例如，已知一個硬幣是均勻的（在拋落中，正反面的概率相等），那連續10次正面朝上的概率是多少？這是個概率。
而似然是用於在給定一個觀察值時，關於用於描述參數的情況。例如，如果一個硬幣在10次拋落中正面均朝上，那硬幣是均勻的（在拋落中，正反面的概率相等）概率是多少？這裡用了概率這個詞，但是實質上是「可能性」，也就是似然了。
後驗概率
Posterior probability
後驗概率是關於隨機事件或者不確定性斷言的條件概率，是在相關證據或者背景給定並納入考慮之後的條件概率。後驗概率分布就是未知量作為隨機變量的概率分布，並且是在基於實驗或者調查所獲得的信息上的條件分布。「後驗」在這裡意思是，考慮相關事件已經被檢視並且能夠得到一些信息。
後驗概率是關於參數$$\theta$$在給定的證據信息$$X$$下的概率：$$p(\theta|x)$$。
若對比後驗概率和似然函數，似然函數是在給定參數下的證據信息$$X$$的概率分布：$$p(x|\theta)$$。
二者有如下關係：
我們用$$p(\theta)$$表示概率分布函數，用$$p(x|\theta)$$表示觀測值$$x$$的似然函數。後驗概率定義如下：
\[ p(\theta|x) = \frac{p(x|\theta)p(\theta)}{p(x)}\]
鑑於分母不變，可以表達成如下正比關係：
\[\text{Posteriorprobability} \propto \text{Likelihood} \times \text{Prior probability}\]。
回復「100小時」查看口譯100小時訓練計劃；回復「十萬字」查看十萬字視譯計劃。
S君的口譯100小時、十萬字視譯訓練交流QQ群，歡迎加入（群號為231441722）
S君個人微信號，ScalersTalker歡迎添加。
如果你覺得S君的文章對你有用，讓你有所思有所想有所行動，不用感謝，打賞請S君喝杯咖啡就行:P 。支付寶帳號是
scalerstalk [at] gmail [dot] com
想看更多相關文章，關注 ScalersTalk 回復任意小於標題括號中的三位數字查看。或者去我的站點 ScalersTalk.com 查看歷史文章。