分类是预测建模问题，涉及为给定的输入数据样本分配标签。分类预测建模问题可以表述为计算给定数据样本的类别标签的条件概率。贝叶斯定理为计算此条件概率提供了一种原理性的方法，尽管在实践中需要一个 [...]

贝叶斯定理为计算条件概率提供了一种原理性的方法。它是一个看似简单但实际上颇有深度的计算，可以用来轻松计算直觉常常出错的事件的条件概率。尽管它是概率领域中的强大工具，贝叶斯定理也广泛应用于 [...]

机器学习概率速成课。7天掌握机器学习中使用的概率。概率是一个被普遍认为是机器学习基石的数学领域。尽管概率是一个包含许多深奥理论和发现的庞大领域，但其基本要素、工具和符号 [...]

概率计算非常令人反直觉。我们的大脑过于急于走捷径并得出错误答案，而不是仔细思考问题并正确计算概率。为了使这个问题显而易见并帮助培养直觉，通过应用概率中的经典问题进行练习可能很有用。这些问题，例如 [...]

单个随机变量的概率很简单，但当考虑两个或多个变量时，情况可能会变得复杂。仅考虑两个变量时，我们可能对两个同时发生的事件的概率感兴趣，称为联合概率：一个事件在另一个事件发生的情况下发生的概率，称为条件概率，或者仅仅是 [...]

概率量化了随机变量结果的不确定性。理解和计算单个变量的概率相对容易。然而，在机器学习中，我们经常有许多随机变量以复杂且未知的方式相互作用。有一些特定的技术可以用来量化 [...]

概率密度是观测值与其概率之间的关系。随机变量的某些结果具有低概率密度，而其他结果具有高概率密度。概率密度的整体形状称为概率分布，以及计算随机变量特定结果的概率 [...]

连续随机变量的概率可以用连续概率分布来概括。在机器学习中会遇到连续概率分布，最值得注意的是模型数值输入和输出变量的分布，以及模型误差的分布。还需要了解正态连续概率分布 [...]

离散随机变量的概率可以用离散概率分布来概括。离散概率分布用于机器学习，尤其是在二分类和多分类问题建模中，也用于评估二分类模型的性能，例如置信区间的计算，以及在 [...]

概率不仅可以用于计算单个事件发生的可能性；它还可以概括所有可能结果的发生可能性。概率中的一个重要概念称为随机变量，而随机变量的每个可能结果与其概率之间的关系称为概率分布。概率分布 [...]