Кто такой Байес? Что такое байесовский подход?

Байесовский анализ данных на Python

Michal Oleszak

Machine Learning Engineer

Кто такой Байес?

Томас Байес

1 Public Domain, https://commons.wikimedia.org/w/index.php?curid=14532025
Байесовский анализ данных на Python

Брать ли зонт?

Метеоролог прогнозирует 50% вероятность дождя.

Тёмные тучи и гроза.

Байесовский анализ данных на Python

Что такое байесовский подход?

  • Байесовский вывод — это обновление убеждений по мере поступления новых данных.
Байесовский анализ данных на Python

Что такое байесовский подход?

  • Байесовский вывод — это обновление убеждений по мере поступления новых данных.

  • Он существенно отличается от классического подхода.

 

 

Частотный (классический) подход Байесовский подход
вероятность
параметры
Байесовский анализ данных на Python

Что такое байесовский подход?

  • Байесовский вывод — это обновление убеждений по мере поступления новых данных.

  • Он существенно отличается от классического подхода.

 

 

Частотный (классический) подход Байесовский подход
вероятность доля исходов степень убеждённости
параметры
Байесовский анализ данных на Python

Что такое байесовский подход?

  • Байесовский вывод — это обновление убеждений по мере поступления новых данных.

  • Он существенно отличается от классического подхода.

 

 

Частотный (классический) подход Байесовский подход
вероятность доля исходов степень убеждённости
параметры фиксированные значения случайные величины
Байесовский анализ данных на Python

Почему байесовский подход выгоден!

  • Естественная работа с неопределённостью (параметры имеют распределения!).
  • Возможность включить экспертные знания в модель (вероятность — это степень убеждённости!).
  • Не нужно опираться на фиксированные константы, такие как p-значения.
  • Статистически корректен даже при малом объёме данных.
  • Часто совпадает с частотными результатами, но даёт больше гибкости при построении моделей.
Байесовский анализ данных на Python

Вероятностные распределения

  • Распределение случайной величины задаёт возможные значения этой величины и соответствующие им вероятности.
  • Может быть дискретным (конечное множество значений) или непрерывным (бесконечное множество значений).
  • Непрерывные распределения визуализируют с помощью графика плотности.

Симметричная колоколообразная кривая с пиком около значения 165 по оси X.

Байесовский анализ данных на Python

Распределения в Python

print(draws)

[146.58686154393, 159.40688614250, ..., ]

 

print(len(draws))

10000

import matplotlib.pyplot as plt
import seaborn as sns
sns.kdeplot(draws, shade=True)
plt.show()

Симметричная колоколообразная кривая с пиком около значения 165 по оси X.

Байесовский анализ данных на Python

Давайте потренируемся!

Байесовский анализ данных на Python

Preparing Video For Download...