当前位置：首页 > wzjs >正文

国家合同模板网站1 网站建设的目标是什么

wzjs 2025/9/16 1:11:32

国家合同模板网站,1 网站建设的目标是什么,如何撤销网站上信息吗,商城网站建设大连简单理解条件概率条件概率就是在已知某件事发生的情况下，另一件事发生的概率。用数学符号表示就是： P(A|B) 在B发生的前提下，A发生的概率。计算机例子：垃圾邮件过滤假设你写了一个程序来自动判断邮件是否是垃圾邮件&#xf…

简单理解条件概率

条件概率就是在已知某件事发生的情况下，另一件事发生的概率。用数学符号表示就是：
P(A|B) = 在B发生的前提下，A发生的概率。

计算机例子：垃圾邮件过滤

假设你写了一个程序来自动判断邮件是否是垃圾邮件（Spam）。已知：

所有邮件中，20%是垃圾邮件（P(Spam) = 0.2）。
垃圾邮件中，50%包含“免费”这个词（P(Free|Spam) = 0.5）。
正常邮件中，只有10%包含“免费”（P(Free|¬Spam) = 0.1）。

现在问题是：如果一封邮件包含“免费”，它是垃圾邮件的概率是多少？
也就是求 P(Spam|Free)。

如何计算？

根据条件概率公式：P(A|B)=P(A $\cap$ B)/P(B)

即有：

分子：垃圾邮件中带“免费”的概率 × 垃圾邮件的概率
= 0.5 × 0.2 = 0.1
分母：所有带“免费”的邮件的概率（包括垃圾和正常邮件）
= P(Free|Spam)P(Spam) + P(Free|¬Spam)P(¬Spam)
= 0.5×0.2 + 0.1×0.8 = 0.1 + 0.08 = 0.18

所以：

结论

即使“免费”在垃圾邮件中更常见，但因为正常邮件基数大，实际包含“免费”的邮件是垃圾邮件的概率只有约55.6%。这就是条件概率的直观体现——它结合了先验知识（垃圾邮件的比例）和新证据（“免费”这个词）。

应用场景

推荐系统：已知用户喜欢游戏（B），那么推荐显卡（A）的概率是多少？
故障诊断：如果电脑蓝屏（B），是内存故障（A）的概率有多大？
语音识别：在当前上下文（B）下，下一个词是“苹果”（A）的概率是多少？

条件概率帮助计算机在不确定性的世界中做出更聪明的决策！

使用python实现在当前上下文（B）下，下一个词是“苹果”（A）的概率是多少的代码

1.安装NLTK
pip install nltk

下载附件分词模型文件tokenizers.zip解压到 D:\nltk_data

3..实现在当前上下文（B）下，下一个词是“苹果”（A）的概率是多少的代码

import nltk
nltk.download('punkt')  # 确保punkt已下载
nltk.download('punkt_tab')
from nltk import bigrams, FreqDist
from nltk.tokenize import word_tokenize# 示例文本（中文需提前分词，英文可直接tokenize）
text = "吃 苹果 买 苹果 吃 香蕉 买 手机"  # 中文示例（已分词）
tokens = word_tokenize(text)  # 分词
bigram_pairs = list(bigrams(tokens))  # 生成连续词对# 统计条件概率
context = "吃"
next_word = "苹果"
count_apple = sum(1 for (prev, curr) in bigram_pairs if prev == context and curr == next_word)
total_context = sum(1 for (prev, curr) in bigram_pairs if prev == context)
p_apple_given_context = count_apple / total_context if total_context > 0 else 0print(f"P('{next_word}'|'{context}') = {p_apple_given_context:.2f}")

条件概率的链式法则。基础概念

条件概率：比如事件B发生的条件下，事件A发生的概率，记作 P(A∣B)。
- 例子：明天降雨的概率是 P(雨)，但如果今天乌云密布（B），那么明天降雨的概率会变，即 P(雨∣乌云)。
链式法则：把多个条件的联合概率拆解成一步步的条件概率相乘。
- 公式：
  P(A $\cap$ B $\cap$ C)=P(A)⋅P(B∣A)⋅P(C∣A $\cap$ B)
- 意思是"A、B、C同时发生"的概率，等于：
  1. 先发生A的概率 P(A)，
  2. 在A发生下B的概率 P(B∣A)，
  3. 在A和B都发生下C的概率 P(C∣A $\cap$ B)。

应用场景

假设我们要预测一段文本是否是垃圾邮件（Spam），文本中有两个单词："免费"和"赢"。

联合概率：
计算 P(免费 $\cap$ 赢 $\cap$ Spam)（即“免费”和“赢”同时出现且是垃圾邮件的概率）。
链式法则拆解：
P(免费赢Spam)=P(Spam)⋅P(免费∣Spam)⋅P(赢∣免费Spam)
1. 先算垃圾邮件的概率 P(Spam)，
2. 在垃圾邮件中，“免费”出现的概率 P(免费∣Spam)，
3. 在垃圾邮件且已有“免费”时，“赢”出现的概率 P(赢∣免费 $\cap$ Spam)。

3. 为什么有用？

简化复杂问题：直接算联合概率很难，但拆成条件概率后，可以通过数据统计（比如数邮件中出现单词的次数）来估算。
贝叶斯网络的基础：链式法则是图模型（如贝叶斯网络）的核心，用来描述变量间的依赖关系。

python实现

假设我们要预测一段文本是否是垃圾邮件（Spam），文本中有两个单词："免费"和"赢"。
计算 P(免费,赢,Spam)（即“免费”和“赢”同时出现且是垃圾邮件的概率）

import pandas as pd# 模拟数据：每封邮件的文本和标签（1=Spam, 0=Not Spam）
data = {"text": ["免费 赢 大奖",        # Spam"免费 参加 活动",      # Spam"赢 免费 门票",        # Spam"明天 开会",           # Not Spam"请 回复 邮件"         # Not Spam],"label": [1, 1, 1, 0, 0]
}df = pd.DataFrame(data)
print(df)# 计算 P(Spam)
total_emails = len(df)
spam_emails = df[df["label"] == 1]
p_spam = len(spam_emails) / total_emails# 计算 P(免费|Spam): 垃圾邮件中包含"免费"的概率
spam_with_free = spam_emails[spam_emails["text"].str.contains("免费")]
p_free_given_spam = len(spam_with_free) / len(spam_emails)# 计算 P(赢|免费, Spam): 在垃圾邮件且含"免费"时，同时含"赢"的概率
spam_free_with_win = spam_with_free[spam_with_free["text"].str.contains("赢")]
p_win_given_free_spam = len(spam_free_with_win) / len(spam_with_free) if len(spam_with_free) > 0 else 0# 联合概率: P(免费, 赢, Spam) = P(Spam) * P(免费|Spam) * P(赢|免费, Spam)
joint_probability = p_spam * p_free_given_spam * p_win_given_free_spamprint(f"P(Spam): {p_spam:.2f}")
print(f"P(免费|Spam): {p_free_given_spam:.2f}")
print(f"P(赢|免费, Spam): {p_win_given_free_spam:.2f}")
print(f"联合概率 P(免费, 赢, Spam): {joint_probability:.4f}")