拜伦-斯科特：湖人有50%的概率得到詹姆斯 |网友评论一针见血拜伦-斯科特：湖人有50%的概率得到詹姆斯 |网友评论一针见血百闻神评论百家号今天体育评论热爆的话题是：“拜伦-斯科特：湖人有50%的概率得到詹姆斯”。直播吧12月28日讯前湖人主帅拜伦-斯科特在接受TMZ采访时被问到了湖人有多大的概率得到勒布朗-詹姆斯。“我认为应该是有50%的概率，我认为这样的概率相当不错，湖人有机会得到詹姆斯。”斯科特还认为如果詹姆斯真的来湖人了，会让球队榜眼朗佐-鲍尔变得更出色。“你把这样一个高水准的球员放到他身边，他会继续做好自己一直在做的事，继续推进球，湖人球员们都很喜欢会传球的队友。”“这会让鲍尔变得更好，因为他们两个，尤其勒布朗，他是那种能让其他人变得更好的球员，所以明夏一定会很有趣。”斯科特继续说道。对于这一头条，网友们纷纷赶来围观，并发表自己的观点。@枞榕 网友说：湖人不欢迎。 网友@閃邊 说：明年就上映了？ 也有网友@刚刚_WfGi 表示：是今晚的第一次。 不只这些，该话题还吸引了更多大神，下面大家感受下热烈的氛围！第一回合：@詹韦情怀密 : 拳头？我觉得我脚都不够用[再见]@装比装不过我 : 拜伦斯科特:别问我50%怎么得来的，挺复杂，总结起来就是得到或得不到，这就是50%@强_yEfL : 人家买多少套不能买，你以为像我们一套房子奋斗半辈子第二回合：@随心锁玉 : 我有百分之五十得到卡戴珊@我家小姑凉 : 陈独秀同志请你坐下@巴萨马刺 : 关键在洛杉矶买房产了！第三回合：@孤傲的嗜血曼巴 : 就怕你过得了初一，顶不到十五[笑哭]@LYHF : 卡戴珊给你直接要了你的命@旋风林 : 还有百分之五十你走路都要扶墙走路第四回合：@24号选手_DGQX : 百分之一的机率是我 哈哈，能认识你吗@修不老艺_AMWM : 秀芹你倒是开炮啊@小姜尸垂头丧气 : 我有99%今晚被第一次第五回合：@小明哥_7v42 : 早饭吃到一半，看的笑的喷到手机上了@野球场库里 : 尴尬了，记错了每次看网友回复，小编都深深的折服！@你，想说点什么呢？说说吧！本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。百闻神评论百家号最近更新：简介:每日热点新闻精彩评论汇聚作者最新文章相关文章2020人阅读
机器学习（28）
主要参考书籍《深度学习导论及案例分析》、维基百科“”、的博客、，重点还是概念的掌握和几个小理论的推导，比较枯燥。加入了自己的一些简单理解。
个人感觉概率有向图模型最大的意义在于：一个特定的有向图表示将联合概率分布分解为条件概率分布乘积的形式。
【注】喂~~你们都不舍得点一下前言中的超链接么？中文翻译和参考博客都能跳转进去啊。。。。。。。
<span style="color:#ff 等价概念
概率有向图模型、贝叶斯网络（Bayesian network）、信念网络（belief network）、有向无环图模型（directed acyclic graphical model）
<span style="color:#ff &一般结构
图由节点和边构成。节点一般是指随机变量，可以是观察到的，也可以是因变量或者未知参数等，边就标明了节点之间的条件概率关系，比如常说的P(X|Y)就说明在节点X出发有一条有向边连接到节点Y。
“因”与“果”：箭头出发的节点为“因”，被箭头指向的节点为“果”
所有节点的联合概率分布可以表示为：
这里面条件概率中的条件指的是xi节点的因，也就是直接相邻的出发节点。注意中间跨度一个节点再连接到xi的不算。
拿书中的例子来说：
图好大啊，就这样吧，懒。如上图所示的这个贝叶斯网络所有节点的联合概率分布就是
其实写下来简单：①对于节点X1，没有节点连接到它，就单独放；②对于节点X2，只有X1连接到它，那就是第二项；③对于X3，只有X2连到它，那就是第三项；.......；⑥对于X6，有两个直接连接到它的“因”节点，表达出来就是第六项；⑦对于X7,只有X6连到它，那就是最后一项。最后都乘起来就是联合概率了
【注意】这里的“因果”是一个单箭头连接起来的两个节点，对于经过多个节点的多个箭头连接起来的两个节点不是“因果”节点。
<span style="color:#ff 条件局部独立性
概念：任意节点与其非后代节点都条件独立于其父节点。
从三中拓扑结构来证明：
(1)串行连接或链
其联合分布为：
根据“条件局部独立性”可以得出这样一个结论：给定节点k时，节点 j 和其非后代节点 i 关于节点 j 的父节点 k 条件独立。
证明如下：
(2)发散连接
其联合分布为：
根据“条件局部独立性”可以得出这样一个结论：给定节点k时，节点 j 和其非后代节点 i 关于节点 j 的父节点 k 条件独立。
(3)收敛连接（书中图可能错了）
其联合分布为：
根据“条件局部独立性”可以得出这样一个结论：节点 i 和节点 j 是先验独立的
主要是因为
带入联合分布中就得到了
【结论】通过上面三个结构和证明可以得到这样一个结论（个人总结，对错可在评论区指出）
①对于串行连接和发散连接，在观察到中心变量k 时，节点 i 和节点 j 条件独立
②对于收敛连接，在没有观察到中心变量k时，节点 i 和节点 j ，先验独立，但是条件独立不确定。
<span style="color:#ff d-划分
假设A、B、C是任意无交集的结点的集合，考虑从A中任意结点到B中任意结点所有可能的路径（此路径忽视箭头方向），如果满足下列任何一种条件：
①路径上的箭头从头到尾（串行连接）或者尾到尾（发散连接）的方式交汇于一个结点，且此结点在集合C中
②箭头从头到头（收敛连接）的方式交汇于一点，且这个结点和它所有的后继都不在集合C中
就说所有的路径被“阻隔”，即C把A从B中d-划分。
左图：交汇节点是e和f，对于aec和bfec串行连接，中间节点e没有被观察到，说明不独立。而aef虽然属于收敛连接，且独立，但是e的后继c被观察到了。对于f节点，发散连接，f 没被观察到，不独立。所以从a到b的路径并未被节点f阻隔。
右图：f节点是发散连接且被观察到了，条件独立，因而从a到b的路径被节点f阻隔。对于e节点，收敛连接，未被观察到，独立，且其后继节点c不被观察的变量内，所以路径也被e节点阻隔。
<span style="color:#ff 朴素贝叶斯图结构
朴素贝叶斯(naive Bayes)模型是一种分类方法，可以用图结构表示，使用条件独立性假设来简化模型结构。
假设观测变量是D维的，即
目标：将x的观测&#20540;分配到K个类别中的一个。
生成模型定义：引入类别标签上的多项式先验概率分布P(z|μ)，其中μ的第k个元素表示类别Ck的先验概率，再引入观测向量x的条件概率分布P(x|z)。举个例子，给你一堆不同颜色的带有编号的球，每种编号的数目不同，而且在同一种颜色中，可能某个编号占据多数，先验分布P(z|μ)意思就是随便拿一个球，不观察颜色的时候瞎猜，猜对的概率是多少，其实也就是(某个编号的球的个数/球总数)，而观测向量x就是颜色，条件概率分布P(x|z)意思就看了颜色以后，你心里有个谱，知道这个颜色的那个编号多，然后猜对的概率。
关键：朴素贝叶斯的关键假设就是，以类别z为条件，输入变量x的分布是独立的，原因看图。
发散连接，观测到z的时候，每个变量条件独立。但是无法对z求和或积分（意思就是z不是可观测变量了），那么z就不在阻隔x之间了，它们就不条件独立了。这就告诉我们，通常边缘概率密度P(x)是不可以关于x的元素进行分解。意思应该是，只能计算联合概率密度，即P(x1,x2,...,xD)但是无法拆开计算P(x1)、P（x2）....
再举一例：
假设每个类别的概率密度分布为高斯分布，根据朴素贝叶斯的假设，表明每个高斯分布的协方差为对角矩阵(因为各个观测变量独立了)，且每个类别中常数密度的轮廓线是与坐标轴对其的椭球。边缘概率密度由对角高斯叠加组成（权系数由类别先验给出），因此不能对各个分量再进行分解。
2.6 全局马尔科夫独立性
几个概念：
① 在贝叶斯网络中，如果两个节点能够通过一条路径产生有效的相互影响（也就是说两个节点不独立），那么这条路径就称为有效路径（有效迹）
② 如果给定观察变量Z的时候，两个节点相互独立（通过2.3中的三种拓扑结构判断独立与否），就称为这就是所谓的全局独立性
判断有效路径小技巧：
对于串行连接和发散连接，只要两个节点之间可通过观测变量连接起来，那么这条路径就不是有效路径。
对于收敛连接，如果中间节点属于观测变量，而且路径上的其他节点都不属于观测变量，那么它就是有效路径。
例如在第一幅图的网络中，如果令（这里书上可能错了，因为书中的X和Z都包含第二个节点了，而Z是可观测变量，它的节点不可能出现在有效路径中）
显然在给定Z的时候，X和Y是相互独立的：节点1和3给定2独立；节点5和7给定节点6独立。（好像都是串行连接下的独立。PS个人认为书中有问题，如有疑问请评论区标注）
<span style="color:#ff马尔科夫随机毯(Markov blanket)
考虑联合概率分布，考虑第i个结点以其它所有节点为条件的条件概率分布
式子的分子分母中，所有与xi无关的因子都能提出来消去，唯一剩余的因子是第i个结点自身的条件概率以及以xi为父节点的节点xk，即第k个结点有两个父节点，其中一个父节点就是i，而此节点的条件概率分布的条件就是两个父节点。这样的由父节点、子节点、同父节点构成的节点集合称为马尔科夫毯。如下图所示：
此图就是节点xi的马尔科夫毯，由父节点、子节点、同父节点的集合构成。特点是以图中所有剩余节点为条件，xi的条件概率分布&#20540;依赖于马尔科夫毯中的变量。
马尔科夫毯是节点xi与图中剩余部分隔开的最小节点的集合，需要注意的是只有子节点和父节点是不够的，因为子节点的观测不会阻隔某个节点到同父节点的路径，因而也需要观测同父节点，按照上面的三个拓扑结构分析此图就能清晰。
3. 解释消除(explaining away)
概念：原本相互独立的多个原因在给定观察结果时，可能不再相互独立，而是变得相互依赖、相互影响。
书中的例子非常好，这里直接拿过来作为实例了：（我又感觉书画错了，书中箭头是反的）
B代表电池(battery)节点，1代表电池有电，0代表电池没电
F代表燃料(fuel)节点，1代表油箱还有有，0代表油箱没油了
G代表油表指针(ggauge)节点，1代表指针说油箱还有油，0代表指针说油箱没油了
这个有向图这样画的原因是根据常识：油表指针是由电量和实际燃料量决定的。也就是说电量和燃料的变动情况是油表指针变动情况的“因”，指针是“果”
这里要分析的是：①直接猜测F=0（没油）的概率，② 观察油表，猜测油箱没油的概率，③ 电池没电时候观察油表，猜测油箱没油的概率
形象点用条件概率表达，依次为：
先说一下已知条件：
根据贝叶斯网络结构，得到联合概率分布
然后就能计算得到知道油表指针空(G=0)的时候，油箱真的空(F=0)的概率为
注意求分母的这个式子中，第二个等号变换到第二个等号说明B和F是独立的，而独立原因在于我们并不知道收敛连接中心节点G的状态（参考拓扑结构3）.
带入原式就能得到
这比不观察任何东西，瞎猜油箱满不满的概率（P(F=0)=0.1）高是必然的
再来计算一下观察到油表和电池都为0的时候，没油的概率
对比着三个计算油箱状态的方法：①瞎猜②看油表③看油表和电池。发现看油表猜油箱的油比较靠谱，但是当我们发现油表的电池快没电了，那么油表的可靠度就在下降。
这个例子就是所谓的解释消除（explaining away），本来相互独立的多个原因在给定观察结果时，可能不再独立，而是相互依赖，相互影响。根据收敛连接，没给定油表观察结果的时候，电池和燃料是相互独立(先验独立)的，但是给定油表的观察结果时，它俩又不独立了。
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：575159次
积分：6236
积分：6236
排名：第4521名
原创：91篇
转载：23篇
译文：26篇
评论：1104条
运动捕捉研究者, 主要倾向于3D骨骼数据处理(识别, 风&#26684;化, 运动控制等)的研究,准备转型探索pose estimation相关知识, 大体技术还是使用深度学习, 技术以RBM为主，CNN和RNN为辅,欢迎相关人士私信讨论.
闲暇之余会在个人中fork和分享一些与Motion Capture和 Deep Learning相关新技术 ~欢迎大家访问交流.
邮件：zb at gmail dot com(防垃圾邮件,可自行转成正常邮箱)
(6)(4)(11)(2)(3)(2)(9)(8)(1)(5)(8)(5)(5)(9)(9)(3)(9)(1)(3)(2)(15)(20)
(window.slotbydup = window.slotbydup || []).push({
id: '4740890',
container: s,
size: '250,250',
display: 'inlay-fix'红盘迎国庆概率大 周五是否关键变节点？节后大盘恐将迎来巨震
　　朋友大家好,我是先锋,圈子&xfg1739，首先在这里提前祝大家节日快乐!今天周五是长假前最后一个交易日,受节日效应影响,市场避险情绪升温,周四股指小幅回落,交投清淡。大盘在经过数日调整后,前期跳空缺口仍未回补,显示市场做空动能不足。卖出压力明显减小,大盘在周四抗住抛压后,只出现了小幅下跌,周五收出小阳红盘迎国庆目前看是大概率的事情。　　而从技术上看,短线反弹后再回落,大盘进退两难,四条均线构成反压,技术指标底位钝化,在时间窗口上,大盘有变盘可能,今日是节前最后一个交易日,股指反弹收阳概率大。大盘将形成更大级别的底部结构,届时真正止跌的信号也会更加明确。　　从50ETF期权增单和两融数据增量来看,节后一致预期看多明显,中线上升趋势不变。大盘经过多日夯实,量能储备充分,为节后行情启动增添砝码。　　一旦权重股发力上攻,有望形成一阳穿四线。投资主题上,多集中在以智能、芯片为代表的科技股、新能源汽车细分子板块和大消费当中。　　在操作策略上,谨慎追涨杀跌,可采取防御性参与,或锁仓持股过节,但仓位不宜过重。　　今日股指以反弹为主,大盘波动区间预计在点之间。　　最后一天的操作其实就是持币还是持股过节的问题,这两天我们已做过多次分析,这次长假时间比较长,国际上不确定的因素比较多,所以不建议满仓,但是考虑到节后大概率是震荡上升的,所以也不建议空仓,手里要有筹码,但是持有什么样的股很重要,选对股,投资者节后的收获会更大。目前看还是我们之前的观点,产业升级、具有高科技含量的板块个股,中线蕴藏的机会会更大,最近5G通讯、芯片制造、新能源汽车(锂电)等热点板块已经明显受到资金的追捧。　　节后率先反弹的概念股可能包括:券商、国企改革(混改革)、资源类(稀缺资源)、生物燃料、人工智能、人脸识别、物联网、生物制药(基因测序)等。
责任编辑：sgy
禁止发表不文明、攻击性、及法律禁止言语
请发表您的意见（游客无法发送评论，请
还可以输入 140 个字符
热门评论网友评论只代表同花顺网友的个人观点，不代表同花顺金融服务网观点。
以下为热门自选股
代码|股票名称
同花顺财经官方微信号
手机同花顺财经
专业炒股利器
同花顺爱基金数学好的帮我算算概率问题，十一选五，我选9个数中奖的概率是多少_百度知道
数学好的帮我算算概率问题，十一选五，我选9个数中奖的概率是多少
我有更好的答案
100% 一共有11个,其中有5个有奖,抽其中9个,就算前6个都没抽中,那后面3个都必定有奖。
采纳率：88%
为您推荐：
其他类似问题
&#xe675;换一换
回答问题，赢新手礼包&#xe6b9;
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。求助高手 为什么概率为0的事件也可能发生？【数学吧】_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：433,926贴子：
求助高手 为什么概率为0的事件也可能发生？收藏
我同学和我说把苍蝇看作是一个点，它落到平面上的某一个点的可能性为0（因为平面上有无数个点），但它落下时必然会落到某个点上去，此时概率为0的事件发生了。感觉好诡异但又不知道哪里错了......
数学在线学习一对一 针对学科薄弱点 个个突破 量身制定辅导课程足不出户免费辅导 精细化课程设置 满足不同学生的学习需求 学费全免网数学就是好
为什么概率为0的事件就不能发生了？
我前见天发表过原创悖论【跟上帝赌博】。。。。你翻翻帖子看看。。。。楼主说的事情的确概率为0，但概率为0的事件不一定不可能发生还有哪位吧友记得我发过的那篇帖子~~~
以前问过。
我又仔细看了楼主1l的言论楼主应该这样改一改，就更好了：苍蝇落到点上的概率是100%，因为它必然落到某个点上。但是其中一个点被苍蝇恰好落到的概率是0%。仔细体会体会~不可能事件的概率是0%，概率是0%的事件不一定不可能。
我的观点：“概率为0”是不可能事件的必要条件，而不是充分条件。不知道对不对
没错啊，现实中苍蝇又不能看成一个点
这个事情在《概率论与数理统计》里面一开始就讲清楚。这句话相当于一个约定，这么讲主要的原因是给零测集埋个伏笔。
楼主所说的必然 是指苍蝇下落的概率是100%但是具体下落到某个点的概率 是无穷小。
那么 “概率为0”表示的并不是不可能发生？
美国biotek细胞成像仪酶标仪系统
那“概率为0”的意思是什么？
几何概型就会出现这种情况的不是不能发生比如从1—2任意取一个实数，取到1.5的概率就是0，但可以发生。
为什么不是1/∞？？？？？？
真空涨落...
不要把无穷小和零混作一谈。
在这题不能把苍蝇看成一个,因为到平面上它所占的面积不是一个点的面积,点没有大小,而苍蝇在这题有大小可量
目测是无穷小量和0的区别
我觉得问题的关键不在于无穷小和0的区别。。。。概率不可能是无穷小，就像16楼的楼中楼已经说得很清楚了，概率是个实数，而无穷小是个变量。问题的关键，应该在于：0是否代表不可能事件
如果把实数集当做一个长条，用飞镖来投掷的话，飞镖几乎总能落在无理数上，因为扔到无理数的概率是1，但是并不排除扔到有理数的情况。0不代表不可能；不可能的概率是0；1不代表一定能；一定能的概率是1。这四种说法一定要好好体会，区分开来。个人见解，欢迎讨论。
楼主可以翻下数学课本，课本上从来都只说“不可能事件的概率为0”，而没有说过“概率为0的是不可能事件”。
首先你的看法错误，苍蝇是有面积有体积的，落在平面上，不应该被看成一个点，而应看成一个面，这时就不是0概率事件，而是小概率事件了。
概率这东西也是有随机性的，多次实验但总有误差！这个是不可避免的。和很多因素有关。想了解更多可以看《醉汉的脚步》希望这本书可以帮到你。
, 极限：0.000……1=1-0.9999……=1-1/3*3=0即有0.000……1=0。不可能事件概率为0，苍蝇落在平面上，假设苍蝇为1
这是几何概型
不可能一定是0，不一定不可能。
登录百度帐号推荐应用