贝叶斯定理
贝叶斯定理（英语：Bayes' theorem）是概率论中的一个定理，它跟随机变量的条件概率以及边缘概率分布有关。在有些关于概率的解释中，贝叶斯定理（贝叶斯公式）能够告知我们如何利用新证据修改已有的看法。这个名称来自于托马斯·贝叶斯。
通常，事件A在事件B（发生）的条件下的概率，与事件B在事件A（发生）的条件下的概率是不一样的。然而，这两者是有确定的关系的，贝叶斯定理就是这种关系的陈述。贝叶斯公式的一个用途在于通过已知的三个概率函数推出第四个。
作为一个普遍的原理，贝叶斯定理对于所有概率的解释是有效的。然而，频率主义者和贝叶斯主义者对于“在应用中，某个随机事件的概率该如何被赋值？”这个问题有着不同的看法：频率主义者根据随机事件发生的频率，或者总体样本里面的发生的个数来赋值概率；贝叶斯主义者则根据未知的命题来赋值概率。这样的理念导致贝叶斯主义者有更多的机会使用贝叶斯定理。
作用及原理
所述bayesian二进制传感器平台从多个传感器观察的状态，并使用贝叶斯规则来估计的事件已经发生的给定观察到传感器的状态的概率。如果估计的后验概率高于probability_threshold，则传感器on而不是off。
这允许检测可能不容易观察到的复杂事件，例如，烹饪，淋浴，在床上，早晨例程的开始等。它还可以用于对可直接观察到的事件获得更大的信心，但是传感器可能不可靠，例如检测存在。
前置需求
- Homeassistant 版本>=0.53
配置Yaml
#在书房，贝叶斯
binary_sensor:
name: 'in_studyroom'
platform: 'bayesian'
prior: 0.50
probability_threshold: 0.7
observations:
- entity_id: 'switch.wall_switch_ln_left_158d000239c546'
prob_given_true: 0.5
prob_given_false: 0.2
platform: 'state'
to_state: 'on'
- entity_id: 'binary_sensor.motion_sensor_158d0000d43914'
prob_given_true: 0.7
prob_given_false: 0.4
platform: 'state'
to_state: 'on'
- entity_id: 'climate.aqara_air_conditioning_companion'
prob_given_true: 0.6
platform: 'state'
to_state: 'cool'
- entity_id: 'sun.sun'
prob_given_true: 0.6
platform: 'state'
to_state: 'below_horizon'
| 
[复制链接]
发表于 2018-9-10 23:01:13
发表于 2018-9-10 23:14:39
