概率学派和贝叶斯学派的区别-电源网

本文转自徐飞翔的“概率学派和贝叶斯学派的区别”

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

对于一个问题，从概率派和贝叶斯派看起来是完全不一样的，其最主要的区别就是对于一个问题中模型参数的“信仰”：

对于频率派学者来说，一个模型中的参数是“固定”的，而数据是在分布中随机采样的。我们要重点理解这个固定，这里指的固定意思是

对于一个模型或者也可说一个分布中的参数，我们相信它是固定不变的，而我们观察（采样）到的数据是这个分布中的一个独立同分布样本。也就是说，我们相信这个分布的参数不管你怎么采样，根据参数对其的估计都应该是不会变的，They remain constant!如果根据数据估计出来的参数和真实模型不符合，只可能是引入了噪声而已。在这个观点中，模型参数才是上帝，数据为之服务。

对于贝叶斯派学者来说，我们观察到的数据才是“固定”的，而我们的模型的参数才是在一直变化的。我们不停地观察数据，估计出来的模型参数就可能一直的变化。不仅如此，我们对于这个模型的参数可能会有一个最初始的信仰，称之为先验假设，一旦设置后了之后，我们就可以听由观察到的数据指导模型参数更新了。在这种观点中，我们的模型参数不再是一个参数，而是一个分布了。一般来说，对于贝叶斯派，有公式：

其中 $P\{\theta|D\}$ 称为后验概率，指的是由观察数据和先验假设推测出来的参数分布，而 $P\{\theta\}$ 称之为先验分布，指的是对于参数的专家知识或者假设而引入的知识，可以指导参数 $\theta$ 的学习，而 $P\{D|\theta\}$ 称之为似然函数，指的就是由于观察数据导致的参数更新。

我们举个投硬币的例子也说明下这两者区别：

Question：现在我们有一个硬币，假设朝向正面的几率为，朝向反面的几率为，这个是未知的，现在为了估计，投掷了14次，其中有10次朝向正面，问再投掷两次，都朝向正向的概率为多少。

在传统的概率派解答中，因为相信这个模型的参数是固定的，所以很容易知道 $p=\dfrac{10}{14}=0.714$ ，因此在后面投掷两次的过程中，假设都是独立过程，那么

而在贝叶斯派眼中，问题就没有那么简单了，我们相信参数不是简单的一个参数，而应该是一个随机变量，服从一个分布，那么我们就需要用观察到了的数据去估计这个参数的分布，利用贝叶斯公式有：

因为在已知观察中，是固定的，所以 $P\{data\}=constant$ 是一个常数，不妨忽略它，有：

有:

参数 $C_{14}^{10}$ 可以忽略，现在对于先验假设 $P\{p\}$ 进行假设，一般来说，我们希望这个假设是一个共轭先验（conjugate prior）1。这里用Beta分布作为硬币参数的先验假设，

其中伽马函数 $\Gamma(\cdot)$ 定义为:

Beta分布有两个控制参数a和b，不同的a和b其CDF的形状差别很大：

在这个先验假设下，我们有：

同样的，因为 $\dfrac{\Gamma(a+b)}{\Gamma(a)}$ 是常数项，忽略所以有：KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ P\{p|data\} &\…

为了让

需要拼凑系数，可知道系数为（这里不是特别懂）

其中为Beta函数， $B(x,y) = \dfrac{\Gamma(x) \Gamma(y)}{\Gamma(x+y)}$

于是最终有参数的概率分布为:

如果我们对毫无先验可言，那么可以令，这个时候的计算结果就和频率学派的一模一样，但是如果我们自认为对这个硬币的参数有所了解，但是又不是完全了解，比如说我们知道这个先验应该是一个均匀分布的（也就是正面和反面都应该是0.5的，这个应该是最朴素和直观的假设了。），而均匀分布是Beta分布的一个特例，我们可以令，这个时候有：