note

基本元素

    • 觀測到的事實
    • 模型的輸出
    • 未知的底層參數
    • 模型的參數
  • Probability

    • 固定 為自變數
    • 在已知參數 的情況下, 發生的機率
    • 總和為 1
  • Likelihood

    • 固定 為自變數
    • 在已知資料 的情況下,某個特定參數 產生這組資料的合理程度
    • 並非描述 發生的機率
      • 不是隨機事件,是一個固定但未知的常數
      • 總和不為 1
  • 先驗機率

    • 在沒有任何資料的情況下, 發生的機率
  • 後驗機率

    • 在已知資料 的情況下, 發生的機率

在現實生活中

觀測到的數據 ,既定事實,朋友一天沒回訊息

背後的假設 ,未知的真相,他在生氣

Probability: 生氣時可能有多種表現,所有表現的可能性加起來為 1 ,在確定他生氣的情況下,不回訊息的可能性有多大?

先驗機率: 在沒有任何資料的情況下,他生氣的可能性有多大?

後驗機率: 不回訊息的原因有很多種,所有可能原因的可能性加起來為 1 ,在已知他一天沒回訊息的情況下,他生氣的可能性有多大?

Likelihood: 如果他真的在生氣,做出一天不回訊息這種行為的吻合度有多高?

第一層隨機性:世界本身的隨機性(Likelihood 的層次)

你的描述:「單一種 也不一定直接導致

學術名稱:偶然不確定性 (Aleatoric Uncertainty) 或 資料隨機性

白話解釋:就算我們開啟了「上帝視角」,百分之百確定了背後的真實參數 (例如:這枚硬幣正面機率就是 70%、或者朋友現在真的在生氣),這個世界本身依然帶有噪聲和隨機性。生氣的朋友有 90% 的機率不回訊息,但也有 10% 的機率因為公事不得不回你。數學表達:這就是 Likelihood 。它鎖定了原因( 確定),但結果()依然是一條機率分佈曲線。

單一種 也不一定直接導致


第二層隨機性:

大腦認知的隨機性(Posterior 的層次)

你的描述:「有多種 會導致

學術名稱:認知不確定性 (Epistemic Uncertainty) 或 參數不確定性

白話解釋:這來自於我們「資訊不足」。

桌上扣著一個既定的事實結果 (朋友 5 小時沒回),能合理解釋這個結果的「幕後黑手(原因 )」有無限多種可能(可能在生氣、可能手機掉了、可能在睡覺)。後驗機率的任務,就是去評估這每一種潛在原因的可能性。數學表達:這就是 後驗機率 。它鎖定了結果( 確定),而原因()是一條機率分佈曲線。

多種可能原因」歸類為「認知的隨機性(Epistemic Uncertainty)」?核心的關鍵在於一個根本的物理事實:在某個特定的時空節點上,真相()永遠只有一個,它已經被世界「定死」了。多種原因的並存,只存在於我們的「大腦假設」中。用「撲克牌面朝下」來秒懂假設我從一副牌中抽出一張,面朝下扣在桌上。你的大腦(後驗機率的視角):這張牌有 52 種可能,可能是紅心 A、黑桃 3…「有多種可能的真相 導致了眼前這張蓋著的牌」。這裡的隨機性,是世界的還是認知的?答案是認知的。因為此時此刻,那張牌躺在桌上,它的物理原子已經排列好了,它就是黑桃 K,不多也不少。世界的隨機性在牌被抽出來的那一剎那已經結束了。為什麼你心裡會覺得它是「隨機」的?因為你沒看牌,你的資訊不足。這種因為「缺乏知識、缺乏資訊」而產生的隨機感,就叫做認知的隨機性。