詳細解釋
後驗機率（Posterior Probability）是在觀測到數據後，對某個假設或參數條件概率的更新估計，是貝氏推論的核心概念。
與先驗和似然的關係：
- 先驗機率 P(H)：觀測數據前對假設的初始信念
- 似然 P(D|H)：假設成立時觀測到數據的概率
- 後驗機率 P(H|D)：觀測數據後假設的概率
- 貝葉斯定理：P(H|D) ∝ P(D|H) × P(H)
應用場景：
- 醫學診斷：結合症狀和疾病基礎發病率計算患病概率
- 垃圾郵件過濾：根據郵件內容更新是垃圾郵件的概率
- 參數估計：機器學習模型權重的概率分布
- 假設檢驗：比較多個競爭假設的相對可能性
計算挑戰：
- 正規化常數：計算 P(D) 通常需要複雜的積分
- MCMC (馬可夫鏈蒙地卡羅)：馬可夫鏈蒙地卡羅方法近似後驗
- 推理 (模型推理) (Inference Optimization) (Variational Inference)：變分推斷快速近似
在機器學習 (ML)中：
- 貝葉斯神經網絡：權重的後驗分布而非點估計
- 高斯過程：函數空間的後驗分布
- 主題模型：LDA中的主題分布後驗
後驗機率提供了結合先驗知識和觀測數據的嚴謹框架。