《贝叶斯思维：统计建模的Python学习法》一2.6　M&M豆问题

本节书摘来自异步社区《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。

本节中的代码可以从http://thinkbayes.com/m_and_m.py获得。欲了解更多信息，请参见前言的“代码指南”。

相关资源：贝叶斯思维：统计建模的Python学习法（迷你书）.pdf