本文概述
- 不确定
- 不确定原因
- 概率推理
- 条件概率
因此,为了表示不确定的知识,如果我们不确定谓词,则需要不确定的推理或概率推理。
不确定原因以下是在现实世界中发生不确定性的一些主要原因。
- 信息来自不可靠的来源。
- 实验错误
- 设备故障
- 温度变化
- 气候变化。
我们在概率推理中使用概率,因为概率提供了一种方法来处理由于某人的懒惰和无知所导致的不确定性。
在现实世界中,有很多情况无法确定某些事情的确定性,例如“今天会下雨”,“某人在某些情况下的行为”,“两支球队或两名球员之间的比赛”。这些是可能的句子,我们可以假设它们会发生但不确定,因此在这里我们使用概率推理。
人工智能中概率推理的需求:
- 当有不可预测的结果时。
- 当谓词的规范或可能性变得太大而无法处理时。
- 实验期间发生未知错误时。
- 贝叶斯法则
- 贝叶斯统计
概率:概率可以定义为不确定事件发生的机会。它是事件发生可能性的数字度量。概率值始终保持在0到1之间,代表理想的不确定性。
0 ≤ P(A) ≤ 1, where P(A) is the probability of an event A.
P(A) = 0, indicates total uncertainty in an event A.
P(A) =1, indicates total certainty in an event A.
通过使用以下公式,我们可以找到不确定事件的概率。
文章图片
- P(?A)=未发生事件的概率。
- P(?A)P(A)= 1。
样本空间:所有可能事件的集合称为样本空间。
随机变量:随机变量用于表示现实世界中的事件和对象。
先验概率:事件的先验概率是在观察新信息之前计算出的概率。
【人工智能中的概率推理】后验概率:在考虑所有证据或信息后计算出的概率。它是先验概率和新信息的组合。
条件概率条件概率是当另一个事件已经发生时发生一个事件的概率。
假设,我们要在事件B已经发生时计算事件A,“在B条件下A的概率”,可以写为:
文章图片
其中P(A?B)= a和B的联合概率
P(B)= B的边际概率
如果给定了A的概率,而我们需要找到B的概率,则它将为:
文章图片
可以通过下面的维恩图来解释,其中B是事件发生的地方,因此样本空间将减少为集合B,现在我们只能通过除以P(A? B)通过P(B)。
文章图片
例:
在一个班级里,有70%的学生喜欢英语,40%的学生喜欢英语和数学,那么喜欢英语的学生也喜欢数学的学生比例是多少
解:
A是学生喜欢数学的活动
B是学生喜欢英语的活动。
文章图片
因此,57%的喜欢英语的学生也喜欢数学。
推荐阅读
- 人工智能中的贝叶斯定理
- 归纳推理和演绎推理的区别
- 人工智能中的推理
- ai中的前向链和后向链
- 后向链接和前向链接的区别
- 一阶逻辑中的人工智能解释
- 人工智能在一阶逻辑中的统一
- 一阶逻辑中的人工智能推理
- 一阶逻辑中的人工智能知识工程