ベージュ
1716 ワード
Bayesian
依存(依存)関係におけるイベントに基づいて確率を求める.
2つの変数の事前確率と事後確率の関係を定義する
ベイズ主義(Bayesian)
選択したサンプルは、確率を表す特定のイベント(部分集合)の仮定、命題、および信頼性に属する.
ベジアンの観点から,イベント(部分集合)は所望の答え(標本)を含む可能性のある候補集合であり,あるイベントが「そのイベントに属する要素に所望の答えがある」と考えている.
ベイズの定理を通じて,条件付き確率を求める
事前確率と事後確率の概念によって情報を反映する.
dfnas.groupby('Genre').count() # 전체
dfnas.iloc[:1136].groupby('Genre').count() # 상위 10%
def 액션내면성공하니(성공확률, 액션l성공, 액션l실패):
tpr=액션l성공
fpr=액션l실패
numerator= tpr * 성공확률
denominator= numerator + ( fpr * (1 - 성공확률))
return numerator/denominator
액션내면성공하니(0.1, 250/1136, 1675/(8546+1675))
最初の10%はNA Salesのsort value関数によって降順され、10%の1136行が使用されます.tmp=액션내면성공하니(0.1, 250/1136, 1675/(8546+1675))
results=[]
for _ in range(20):
results.append(tmp)
tmp = 액션내면성공하니(tmp, 250/1136, 1675/(8546+1675))
results
tmp = pd.DataFrame(results, columns=['p'], index=range(1,21))
tmp.reset_index()
ベージュ方式を適用して,アクションシートを1回発売するたびの成功率を試験した.
このようにするのが正しいかどうか,長いこと悩んだ.
参照:ダークプログラマー::ベイズ確率、暗い色のプログラマー::ベッツ整理、MLとMAP、および画像処理(tistory.com)
Reference
この問題について(ベージュ), 我々は、より多くの情報をここで見つけました
https://velog.io/@eyebrow93/베이지안
テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol
dfnas.groupby('Genre').count() # 전체
dfnas.iloc[:1136].groupby('Genre').count() # 상위 10%
def 액션내면성공하니(성공확률, 액션l성공, 액션l실패):
tpr=액션l성공
fpr=액션l실패
numerator= tpr * 성공확률
denominator= numerator + ( fpr * (1 - 성공확률))
return numerator/denominator
액션내면성공하니(0.1, 250/1136, 1675/(8546+1675))
tmp=액션내면성공하니(0.1, 250/1136, 1675/(8546+1675))
results=[]
for _ in range(20):
results.append(tmp)
tmp = 액션내면성공하니(tmp, 250/1136, 1675/(8546+1675))
results
tmp = pd.DataFrame(results, columns=['p'], index=range(1,21))
tmp.reset_index()
Reference
この問題について(ベージュ), 我々は、より多くの情報をここで見つけました https://velog.io/@eyebrow93/베이지안テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol