M1-002M1: 数学与统计基础概率论基础Easy
⚡闪卡盲测➔掌握度:

写出贝叶斯定理,并说明先验、似然、后验各自的角色。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M1-003 →
📐 核心数学机理公式
P(θ∣D)=P(D∣θ)P(θ)P(D),posterior∝likelihood×priorP(\theta\mid D)=\frac{P(D\mid\theta)P(\theta)}{P(D)},\qquad \text{posterior}\propto\text{likelihood}\times\text{prior}
⚡ 一句话直击要害答案
后验 ∝ 似然 × 先验;先验编码已有信念,似然由数据提供,后验是更新后的信念。

📌 核心要点提炼

  • •
    分母 P(D) 是归一化常数(证据)
  • •
    共轭先验使后验与先验同族,可解析更新
  • •
    MAP = 取后验众数;MLE = 取似然众数(等价于均匀先验)

📐 数学机理与严密推导

贝叶斯定理把'学习'形式化为信念更新:posterior ∝ likelihood × prior。三个量的角色清晰可分——先验 p(θ) 编码在看到数据前对参数的信念(正则化/领域知识的载体);似然 p(D|θ) 由数据与生成模型假设决定,是唯一与数据相关的项;后验 p(θ|D) 是二者的乘积再归一化。分母 p(D)=∫p(D|θ)p(θ)dθ 与 θ 无关,因此常被省略为比例式。关键性质:数据量增加时,似然项的对数随 N 线性增长而先验固定,故先验影响被逐渐稀释,后验趋向 MLE——这是'数据够多时正则化不重要'的形式化表述。共轭先验(Beta-Bernoulli、Dirichlet-Multinomial、Normal-Normal)使后验与先验同族,可解析更新,是 A/B 测试中 Thompson Sampling 的基础。

🏭 深度剖析与工业落地权衡

两个易被追问的区分:① MAP 不是'贝叶斯最优'——MAP 只取后验众数一个点,丢弃了后验的不确定性;贝叶斯决策理论要求对后验做积分得到后验预测分布 p(y|x,D)=∫p(y|x,θ)p(θ|D)dθ,这在高维下不可解,故工程上退化为 MAP(等价于加正则的 MLE)。② 先验的选择是主观的但可检验——弱信息先验(如 Jeffreys 先验)尽量减少主观影响;若后验对先验敏感,说明数据信息不足,应报告先验敏感性分析。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    把后验分布与后验预测分布混淆(前者关于参数,后者关于新数据)
  • ✕
    认为 MAP 就是贝叶斯方法——它丢失了不确定性量化
🎯 面试官连环追问与延伸考察
  • ?
    为什么说 MAP 不是'贝叶斯最优'?
  • ?
    预测分布与后验分布的区别是什么?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M1-001: 解释条件概率与全概率公式,并说明为什么它是一切贝叶斯方法的基础。📋 返回题库下一题 →M1-003: 什么是独立与条件独立?为什么朴素贝叶斯'错得离谱却常常好用'?