入门← 返回知识库
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
数清楚'我关心的结果'有多少种
- 2
数清楚'全部可能的结果'有多少种
- 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)=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)=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)=1−P(A) |
| 概率之和 | 所有结果的概率加起来 = 1 | ∑P=1 |
摸到蓝球的概率不用重新数——1−0.6=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