概率

一件事发生的可能性有多大,用 0 到 1 之间的数表示——0 是不可能,1 是必然。在所有结果等可能时,概率 = 我关心的结果数 ÷ 全部结果数。

核心公式

📖 符号说明

符号含义说明取值范围
事件 A 的概率A 发生的可能性大小[0, 1]
事件我们关心的那些结果的集合
样本空间所有可能结果的集合

🔢 分步计算

  1. 1

    数清楚'我关心的结果'有多少种

  2. 2

    数清楚'全部可能的结果'有多少种

  3. 3

    关心的除以全部,得到 0 到 1 之间的数

直觉理解

抛硬币——你心里已经在算概率了。"正面朝上"有多大可能?一共两种结果,你关心的占一种,所以是"二分之一"。

概率就是把这种直觉变成数字:用一个 0 到 1 之间的数来衡量一件事发生的可能性

  • 0 = 绝对不可能
  • 1 = 必然发生
  • 0.5 = 一半一半

怎么算——数数就够了

当每种结果出现的机会相同时(这叫等可能性),概率的计算就是数数:

P(A)=事件 A 包含的结果数全部可能的结果数P(A) = \frac{\text{事件 A 包含的结果数}}{\text{全部可能的结果数}}P(A)=全部可能的结果数事件 A 包含的结果数

分子数"我关心的",分母数"全部的"。

例子: 袋子里有 3 个红球、2 个蓝球,随机摸一个,摸到红球的概率:

P(红球)=35=0.6P(\text{红球}) = \frac{3}{5} = 0.6P(红球)=53=0.6

两条基本规则

规则含义公式
补事件"没发生" = 1 − "发生"P(Aˉ)=1P(A)P(\bar{A}) = 1 - P(A)P(Aˉ)=1P(A)
概率之和所有结果的概率加起来 = 1P=1\sum P = 1P=1

摸到蓝球的概率不用重新数——10.6=0.41 - 0.6 = 0.410.6=0.4

这在机器学习中用来做什么

机器学习的许多核心概念建立在概率之上:分类器输出的是"属于各类别的概率",模型训练的目标是"让正确答案的概率尽可能大"。掌握概率的基本计算,是理解这些方法的第一步。

引用本概念的文章