《贝叶斯思维:统计建模的Python学习法》——2.6 M&M豆问题

本节书摘来异步社区《贝叶斯思维:统计建模的Python学习法》一书中的第2章,第2.6节,作者:【美】Allen B. Downey,更多章节内容可以访问云栖社区“异步社区”公众号查看

2.6 M&M豆问题

我们可以使用Suite框架来解决M&M豆的问题。除了编写Likelihood有点棘手,其他一切都很简单。

首先,需要对1995年之前和之后的颜色混合情况进行封装:

mix94=dict(brown= 30,
           yellow= 20,
           red= 20,
           green= 10,
           orange= 10,
           tan= 10) 

    mix96=dict(blue= 24,
               green= 20,
               orange= 16,
               yellow= 14,
               red= 13,
               brown= 13)```
然后,封装假设:
hypoA =dict(bag1 = mix94,bag2 = mix96) 
hypoB =dict(bag1 = mix96,bag2 = mix94)```

hypoA表示假设袋1是1994年,袋2是1996年。hypoB是相反的组合。

接下来,从假设的名称来映射其含义:

hypotheses=dict(A=hypoA,B=hypoB)```
最后,开始编写Likelihood。在这种情况下,假设hypo是一个A或B的字符串,数据是一个指定了袋子年份和颜色的元组。

def Likelihood(self, data, hypo):

  bag, color = data
  mix = self.hypotheses[hypo][bag]
  like = mix[color]
  return like```

下面是创建该suite对象并进行更新的代码:

    suite = M_and_M('AB')

    suite.Update(('bag1', 'yellow'))
    suite.Update(('bag2', 'green')) 

    suite.Print()```
结果如下:

A 0.740740740741
B 0.259259259259`
A的后验概率大约是20/27,正是我们之前得到的。

上一篇:【IOS 开发】Object - C 面向对象 - 类 , 对象 , 成员变量 , 成员方法(二)


下一篇:css_flex-grow增长系数/可用空间分配_实例