贝叶斯定理
贝叶斯定理简介及应用
贝叶斯定理简介及应用贝叶斯定理是概率论中的一项重要定理，它能够根据已知的条件概率来计算出相反事件的概率。
贝叶斯定理的应用非常广泛，涉及到许多领域，如医学诊断、信息检索、机器学习等。
本文将简要介绍贝叶斯定理的原理，并探讨其在实际应用中的一些例子。
一、贝叶斯定理的原理贝叶斯定理是由英国数学家托马斯·贝叶斯提出的，它是一种基于条件概率的推理方法。
贝叶斯定理的核心思想是，通过已知的条件概率来计算出相反事件的概率。
贝叶斯定理的数学表达式如下：P(A|B) = (P(B|A) * P(A)) / P(B)其中，P(A|B)表示在事件B发生的条件下事件A发生的概率，P(B|A)表示在事件A发生的条件下事件B发生的概率，P(A)和P(B)分别表示事件A和事件B的概率。
贝叶斯定理的原理可以通过一个简单的例子来说明。
假设有一种罕见疾病，已知该疾病的发生率为1%，并且有一种检测方法，该方法的准确率为99%。
现在某人接受了该检测方法，结果显示为阳性，请问该人真正患有该疾病的概率是多少？根据贝叶斯定理，我们可以计算出该人真正患有该疾病的概率。
假设事件A表示该人患有该疾病，事件B表示检测结果为阳性。
已知P(A) = 0.01，P(B|A) = 0.99，P(B)可以通过全概率公式计算得到： P(B) = P(B|A) * P(A) + P(B|A') * P(A')其中，P(A')表示事件A的补事件，即该人不患有该疾病的概率。
根据题目中的信息，P(A') = 1 - P(A) = 0.99。
代入上述公式，可以计算出P(B) = 0.01 * 0.99 + 0.99 * 0.01 = 0.0198。
根据贝叶斯定理，可以计算出该人真正患有该疾病的概率：P(A|B) = (P(B|A) * P(A)) / P(B) = (0.99 * 0.01) / 0.0198 ≈ 0.5即该人真正患有该疾病的概率约为50%。
概率论中的贝叶斯定理解析
概率论中的贝叶斯定理解析贝叶斯定理是概率论中非常重要的一条定理。
它可以用来更新我们对事件的估计和概率。
贝叶斯定理是一个非常强大的工具，可以在许多领域得到应用，如医学、金融、自然语言处理等。
一、贝叶斯定理是什么贝叶斯定理是指在已知某个事件发生的条件下，我们可以计算出另一个相关事件的概率。
换句话说，它可以帮助我们更新关于某个事件的概率估计。
公式：P(A|B) = P(B|A) * P(A) / P(B)其中，P(A)是事件A的先验概率，即我们在未观察到B的情况下对A的概率估计；P(B)是事件B的先验概率；而P(A|B)是在已知B发生的情况下对A的概率估计，叫做后验概率；P(B|A)是在A发生的情况下对B的概率估计，叫做似然概率。
二、贝叶斯定理的应用1.医学诊断在医学领域，贝叶斯定理被广泛应用于疾病诊断。
在医生做出病情判断之前，一般先为病人做一些检验，根据这些检验的结果再判断是否出现某种病症。
这些检验有时往往是有误差的，可能会出现假阳性或假阴性的情况。
这时贝叶斯定理可以帮助医生更好地做出诊断。
例如，对于一个病人来说，有70%的可能性是患有某种病，30%的可能性是健康的。
我们希望通过某些检测手段来确认这个病人是否真的患有这种病。
我们先假设这个测试方法的准确性是95%，即对于那些患病的人，这个测试会在95%的情况下给出正确的结果；对于那些健康的人，也有95%的概率正确地给出结果。
现在假设在这个测试中，这个病人得到了阳性结果。
那么，我们利用贝叶斯定理可以计算出这个病人患病的概率是多少？首先，我们需要计算出阳性结果的概率：P(阳性结果) = P(阳性结果|患病) * P(患病) + P(阳性结果|健康) * P(健康)P(阳性结果) = 0.95 * 0.7 + 0.05 * 0.3 = 0.665然后，我们可以利用贝叶斯定理来计算出患病的概率：P(患病|阳性结果) = P(阳性结果|患病) * P(患病) / P(阳性结果)P(患病|阳性结果) = 0.95 * 0.7 / 0.665 = 0.953即，这个病人患病的概率是95.3%。
贝叶斯定理解析
贝叶斯定理解析贝叶斯定理是概率论中一项重要的理论，它可以用来计算在已知一些先验信息的情况下，某个事件的后验概率。
这个定理的应用范围非常广泛，从数据分析到机器学习，都可以看到贝叶斯定理的影子。
本文将对贝叶斯定理进行详细解析，并介绍一些其相关的应用。
一、贝叶斯定理的基本公式贝叶斯定理是基于条件概率推导而来的，它的基本公式如下所示：P(A|B) = (P(B|A) * P(A)) / P(B)在这个公式中，P(A|B)表示在已知事件B发生的条件下，事件A发生的概率。
P(B|A)表示在事件A发生的条件下，事件B发生的概率。
P(A)和P(B)分别表示事件A和事件B发生的概率。
二、贝叶斯定理的应用举例为了更好地理解贝叶斯定理的应用，我们将通过一个简单的问题来说明。
假设有一家医院，该医院的1000名病人中，100人感染了某种罕见疾病。
而这种疾病的检测准确率为99％。
现在，如果一个病人的检测结果呈阳性，那么他实际上感染这种疾病的概率是多少？根据贝叶斯定理的公式，我们可以将这个问题表示为：P(感染疾病|阳性) = (P(阳性|感染疾病) * P(感染疾病)) / P(阳性)其中，P(感染疾病|阳性)表示在检测结果为阳性的条件下，病人实际上感染疾病的概率。
P(阳性|感染疾病)表示在感染疾病的条件下，检测结果为阳性的概率。
P(感染疾病)表示病人感染疾病的概率。
P(阳性)表示检测结果为阳性的概率。
根据题目中提供的信息，P(阳性|感染疾病)为0.99，P(感染疾病)为100/1000=0.1，即10%。
而P(阳性)的计算稍微复杂一些，需要考虑两种情况：检测结果为真阳性（病人实际上感染了疾病并被正确检测出来）和检测结果为假阳性（病人实际上未感染疾病但被错误地检测出来）的概率。
根据提供的信息，病人实际上感染疾病的概率为100/1000=0.1，即10%。
而检测结果为真阳性的概率为 P(真阳性) = P(感染疾病) * P(阳性|感染疾病) = 0.1 * 0.99 = 0.099。
通俗地理解贝叶斯公式(定理)
通俗地理解贝叶斯公式（定理）朴素贝叶斯（Naive Bayesian algorithm）是有监督学习的一种分类算法，它基于“贝叶斯定理”实现，该原理的提出人是英国著名数学家托马斯·贝叶斯。
贝叶斯定理是基于概率论和统计学的相关知识实现的，因此在正式学习“朴素贝叶斯算法”前，我们有必要先认识“贝叶斯定理”。
贝叶斯定理贝叶斯定理的发明者托马斯·贝叶斯提出了一个很有意思的假设：“如果一个袋子中共有 10 个球，分别是黑球和白球，但是我们不知道它们之间的比例是怎么样的，现在，仅通过摸出的球的颜色，是否能判断出袋子里面黑白球的比例？”上述问题可能与我们高中时期所接受的的概率有所冲突，因为你所接触的概率问题可能是这样的：“一个袋子里面有 10 个球，其中 4 个黑球，6 个白球，如果你随机抓取一个球，那么是黑球的概率是多少？”毫无疑问，答案是 0.4。
这个问题非常简单，因为我们事先知道了袋子里面黑球和白球的比例，所以很容易算出摸一个球的概率，但是在某些复杂情况下，我们无法得知“比例”，此时就引出了贝叶斯提出的问题。
在统计学中有两个较大的分支：一个是“频率”，另一个便是“贝叶斯”，它们都有各自庞大的知识体系，而“贝叶斯”主要利用了“相关性”一词。
下面以通俗易懂的方式描述一下“贝叶斯定理”：通常，事件 A 在事件 B 发生的条件下与事件 B 在事件 A 发生的条件下，它们两者的概率并不相同，但是它们两者之间存在一定的相关性，并具有以下公式（称之为“贝叶斯公式”）：看到上述公式，你可能一头雾水，不过不必慌张，下面我们来了解一下“贝叶斯”公式。
符号意义首先我们要了解上述公式中符号的意义：•P(A) 这是概率中最基本的符号，表示A 出现的概率。
比如在投掷骰子时，P(2) 指的是骰子出现数字“2”的概率，这个概率是六分之一。
•P(B|A) 是条件概率的符号，表示事件A 发生的条件下，事件B 发生的概率，条件概率是“贝叶斯公式”的关键所在，它也被称为“似然度”。
贝叶斯原理和条件概率
贝叶斯原理和条件概率在我们的日常生活中，我们经常需要根据已知的信息做出一些决策，这就需要我们理解一些基本的概率和统计知识。
在这些知识中，贝叶斯原理和条件概率是非常重要的。
贝叶斯定理是一个用于条件概率的公式，它可以将后验概率（即假设成立的概率）与先验概率（在没有任何先验知识的情况下，假设成立的概率）结合起来。
在数学上，贝叶斯定理可以表示为：P(H|D) = P(D|H)P(H) / P(D)其中，H 是一个假设，D 是一些观测数据，P(H) 是 H 的先验概率，P(D|H) 是给定 H 假设下观测数据 D 的概率（也称为似然性），P(D) 是对给定观测数据的先验概率，P(H|D) 是基于观测数据 D 所得到的后验概率。
这个公式看起来非常简单，但是它包含了非常多的信息。
例如，先验概率和似然性通常都需要根据实际情况和专业知识来确定。
此外，在实际应用中，计算 P(D) 的值也不是总是很容易的。
为了更好地理解贝叶斯定理，我们可以通过一个简单的例子来说明。
假设我们有一个盒子，里面有 10 个红色球和 5 个绿色球。
如果我们从盒子中随机抽取一个球，我们想知道这个球是红色的概率是多少。
在这个例子中，红色球的先验概率为 P(Red) = 10 /15 = 0.67，绿色球的先验概率为 P(Green) = 5 / 15 = 0.33。
现在，如果我们从盒子中随机抽取了一个球，并且发现它是红色的，那么我们可以通过贝叶斯定理来计算在这个条件下，这个球来自于红色球组的概率：P(Red|Observed Red) = P(Observed Red|Red) * P(Red) /P(Observed Red)在这个例子中，我们可以假设观测到一个红色球的概率为P(Observed Red|Red) = 1，因为我们假设只会从红色球中抽取一个。
我们还需要计算观测到红色球的概率，它可以表示为：P(Observed Red) = P(Observed Red|Red) * P(Red) + P(Observed Red|Green) * P(Green)其中，我们可以假设观测到一个绿色球的概率为 P(Observed Red|Green) = 0，因为没有绿色球是红色的。
贝叶斯算法
贝叶斯一、贝叶斯公式贝叶斯定理是以英国数学家贝叶斯命名,用来解决两个条件概率之间的关系问题。
已知某条件概率,如何得到两个事件交换后的概率,也就是在已知P(A｜B）的情况下如何求得P(B|A）。
这里先解释什么是条件概率:P(B|A)表示事件B已经发生的前提下，事件A发生的概率,叫做事件B发生下事件A的条件概率。
其基本求解公式为:。
贝叶斯定理之所以有用,是因为我们在生活中经常遇到这种情况：我们可以很容易直接得出P （A｜B），P(B｜A)则很难直接得出，但我们更关心P（B｜A)，贝叶斯定理就为我们打通从P(A|B)获得P（B|A)的道路.贝叶斯定理：P（A）、P（B)是”先验概率”（Prior probability).先验概率是指我们主观通过事件发生次数对概率的判断。
P（A｜B）是已知B发生后A的条件概率，叫做似然函数(likelihood)。
似然函数是通过事件已经发生的概率推算事件可能性的概率。
P（B|A）是已知A发生后B的条件概率，是我们要求的值，叫做后验概率。
P(A｜B）/P（A)是调整因子：调整因子是似然函数与先验概率的比值,这个比值相当于一个权重，用来调整后验概率的值，使后验概率更接近真实概率.因此，贝叶斯定理可以理解为通过先验概率和调整因子来获得后验概率二、分类问题已知集合:和，确定映射规则y=f（x），使得任意x i有且仅有一个y j使得y j=f（x i)成立.其中C叫做类别集合，其中每一个元素是一个类别，而I叫做项集合，其中每一个元素是一个待分类项，f叫做分类器.分类算法的任务就是构造分类器f.这里要着重强调，分类问题往往采用经验性方法构造映射规则，即一般情况下的分类问题缺少足够的信息来构造100％正确的映射规则，而是通过对经验数据的学习从而实现一定概率意义上正确的分类,因此所训练出的分类器并不是一定能将每个待分类项准确映射到其分类，分类器的质量与分类器构造方法、待分类数据的特性以及训练样本数量等诸多因素有关。
贝叶斯定理及其应用
贝叶斯定理及其应用贝叶斯定理是概率论中的重要理论，它指出了如何在已知一些数据的情况下，更新推断某一事件的概率。
在统计学、机器学习、人工智能等领域，贝叶斯定理都有着广泛的应用。
本文将介绍贝叶斯定理的原理和应用，并探讨它在现代科技中的重要性。
一、贝叶斯定理的原理贝叶斯定理是指，在已知某个假设下某个事件发生的概率，以及该事件的先验概率，如何更新该事件的后验概率。
这种方法被称为贝叶斯推断。
假设我们有一个颜色瓶子的实验。
我们知道，有70%的瓶子是红色的，30%的瓶子是蓝色的。
假设我们在这些瓶子中随机抽出一个瓶子，然后在瓶子内找到一支笔芯，颜色是黄色的。
那么，现在我们可以使用贝叶斯定理来推断此瓶子是红色的概率。
首先，我们需要定义以下术语：- A：要推断的事件。
在此例中，A是“抽中的瓶子为红色”。
- B：已知条件。
在此例中，B是“笔芯的颜色是黄色”。
- P(A)：A的先验概率。
在此例中，P(A)是“抽中的瓶子为红色”的概率，即0.7。
- P(B|A)：在A成立的条件下，B发生的概率。
在此例中，P(B|A)是“在红色瓶子中找到黄色笔芯”的概率，我们假设为0.2。
- P(B|~A)：在A不成立的情况下，B发生的概率。
在此例中，P(B|~A)是“在蓝色瓶子中找到黄色笔芯”的概率，我们假设为0.8。
根据贝叶斯定理，我们可以推导出：P(A|B) = P(A) * P(B|A) / P(B)其中，P(A|B)是A的后验概率，即已知B后A的概率；P(B)是B的概率，即黄色笔芯出现的概率，可以用全概率公式计算出：P(B) = P(A) * P(B|A) + P(~A) *P(B|~A) = 0.7 * 0.2 + 0.3 * 0.8 = 0.38。
最终，我们可以得到：P(A|B) = 0.7 * 0.2 /0.38 ≈ 0.37。
也就是说，根据黄色笔芯的出现，我们可以把红瓶子的概率从先验的0.7调整为后验的0.37。
这个例子简单易懂，但是在实际应用中，贝叶斯定理可能会涉及到多个事件，需要考虑更多的先验概率以及条件概率。
贝叶斯定理直观解释
贝叶斯定理直观解释贝叶斯定理直观解释1. 背景介绍贝叶斯定理是概率论中的一个重要定理，它是由英国数学家托马斯·贝叶斯于18世纪提出的。
该定理为我们在已知某些条件下，如何通过新的信息来更新我们的信念提供了一种方法。
贝叶斯定理在科学研究、医学诊断、社会科学等领域都有着广泛的应用。
本文将从直观的角度出发，解释贝叶斯定理的基本概念、应用场景以及其价值所在。
2. 贝叶斯定理的基本概念贝叶斯定理是由条件概率推导而来的，它描述了在已知事件B发生的条件下，事件A发生的概率是多少。
贝叶斯定理可以帮助我们根据已知信息来计算在这些信息的基础上某个事件发生的可能性。
3. 贝叶斯定理的应用场景贝叶斯定理的应用十分广泛，下面将从医学诊断和垃圾邮件过滤两个方面来介绍。
3.1 医学诊断在医学领域中，贝叶斯定理可以用来辅助医生进行诊断。
一般来说，医生通过病人的症状和医学检查结果来做出初步诊断，但这种诊断并不一定准确。
贝叶斯定理可以帮助医生根据已有的检查结果和病人特征来计算更准确的患病概率，从而为医生提供更好的辅助决策依据。
3.2 垃圾邮件过滤在网络时代，垃圾邮件成为了我们日常生活中的一个麻烦。
贝叶斯定理可以用于垃圾邮件过滤系统。
通过分析和标记一些已知邮件的特征，系统可以根据贝叶斯定理来计算新邮件属于垃圾邮件的概率。
根据计算出的概率，系统可以自动将邮件分类为垃圾或非垃圾邮件，减少用户的麻烦和时间成本。
4. 贝叶斯定理的价值所在贝叶斯定理不仅仅是一种计算方法，它还提供了一种更合理、更科学的思维方式。
通过贝叶斯定理，我们可以根据新的证据来对之前的假设进行修正和更新，从而更准确地判断事物之间的关系。
这种思维方式有助于我们克服一些偏见和主观认知的影响，更全面地看待问题。
5. 个人观点和理解从个人角度来看，贝叶斯定理是一个非常有用且有趣的概念。
它为我们提供了一种基于证据和信息来逻辑分析的方法，可以帮助我们在混杂信息的社会中作出更明智的决策。
概率统计中的贝叶斯定理与事件独立性
概率统计中的贝叶斯定理与事件独立性概率统计是数学的一个重要分支，它研究的是随机事件的发生概率以及事件之间的关系。
在概率统计中，贝叶斯定理和事件独立性是两个基本概念，它们在许多实际问题中都有重要应用。
本文将分别介绍贝叶斯定理和事件独立性，并探讨它们之间的关系。
一、贝叶斯定理贝叶斯定理是概率统计中的一个重要定理，它描述了条件概率的计算方法。
贝叶斯定理的表达式如下：P(A|B) = (P(B|A) * P(A)) / P(B)其中，P(A|B)表示事件B发生的条件下事件A发生的概率，P(B|A)表示事件A 发生的条件下事件B发生的概率，P(A)和P(B)分别表示事件A和事件B分别发生的概率。
贝叶斯定理的应用非常广泛，特别是在概率推断和统计推断中。
通过贝叶斯定理，我们可以根据已知的条件概率来计算未知的概率，从而对实际问题进行推断和预测。
例如，在医学诊断中，可以利用贝叶斯定理来计算某种疾病的患病概率，以辅助医生进行诊断。
二、事件独立性事件独立性是概率统计中的另一个重要概念，它描述了两个事件之间的关系。
如果事件A的发生与事件B的发生没有任何关系，即事件A的发生不受事件B的发生影响，事件B的发生也不受事件A的发生影响，那么事件A和事件B就是相互独立的。
事件独立性可以用以下等式来表示：P(A ∩ B) = P(A) * P(B)其中，P(A ∩ B)表示事件A和事件B同时发生的概率，P(A)和P(B)分别表示事件A和事件B分别发生的概率。
事件独立性在实际问题中也有广泛的应用。
例如，投掷一枚硬币，正面朝上和反面朝上是相互独立的事件；抽取一张扑克牌，抽到红桃和抽到黑桃是相互独立的事件。
三、贝叶斯定理与事件独立性的关系贝叶斯定理和事件独立性是概率统计中两个重要的概念，它们之间存在一定的关系。
具体来说，当事件A和事件B相互独立时，贝叶斯定理可以简化为以下形式：P(A|B) = P(A)这是因为事件A和事件B相互独立时，事件A的发生概率不受事件B的发生影响，因此在已知事件B发生的条件下，事件A的发生概率等于事件A的概率。
贝叶斯定理深入浅出
贝叶斯定理深入浅出贝叶斯定理是关于随机事件A和B的条件概率(或边缘概率)的一则定理。
其中P(A|B)是在B发生的情况下A发生的可能性。
贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯(1702~1763)曾提出计算条件概率的公式用来解决如下一类问题:假设H[1],H[2]…,H[n]互斥且构成一个完全事件，已知它们的概率P(H[i]),i=1,2,…,n,现观察到某事件A与H[1],H[2]…,H[n]相伴随机出现，且已知条件概率P(A/H[i])，求P(H[i]/A)。
贝叶斯定理是关于随机事件A和B的条件概率(或边缘概率)的一则定理。
其中P(A|B)是在B发生的情况下A发生的可能性。
一、研究意义人们根据不确定性信息作出推理和决策需要对各种结论的概率作出估计，这类推理称为概率推理。
概率推理既是概率学和逻辑学的研究对象，也是心理学的研究对象，但研究的角度是不同的。
概率学和逻辑学研究的是客观概率推算的公式或规则;而心理学研究人们主观概率估计的认知加工过程规律。
贝叶斯推理的问题是条件概率推理问题，这一领域的探讨对揭示人们对概率信息的认知加工过程与规律、指导人们进行有效的学习和判断决策都具有十分重要的理论意义和实践意义。
二、定理定义贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯(1702~1763)曾提出计算条件概率的公式用来解决如下一类问题:假设H[1],H[2]…,H[n]互斥且构成一个完全事件，已知它们的概率P(H),i=1,2,…,n,现观察到某事件A与H[,1],H[,2]…,H[,n]相伴随机出现，且已知条件概率P(A/H[,i])，求P(H[,i]/A)。
贝叶斯公式(发表于1763年)为: P(H/A)=P(H)*P(A│H)/{P(H[1])*P(A│H[1]) +P(H[2])*P(A│H[2])+…+P(H[n])*P(A│H[n])}这就是著名的“贝叶斯定理”，一些文献中把P(H[1])、P(H[2])称为基础概率，P(A│H[1])为击中率，P(A│H[2])为误报率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
贝叶斯网络
朴素贝叶斯算法假定类条件独立,当假定 成立时,该算法是最精确的.然而实践中, 变量之间的依赖可能存在.
贝叶斯网络解决了这个问题,它包括两部 分,有向无环图和条件概率表(CPT).
贝叶斯网络
Family History Smoker (FH, S) (FH, ~S)(~FH, S) (~FH, ~S)
LC
LungCancer Emphysema
0.8
0.5
0.7
0.1
~LC
0.20.5Fra bibliotek0.30.9
The conditional probability table for the variable LungCancer
PositiveXRay Dyspnea
有向无环图
一旦FamilyHistory和Smoker确 定,LungCancer就确定和其他的无关. P(LungCancer=“yes”| FamilyHistory=“yes” Smoker=“yes”)=0.8 P(LungCancer=“no”| FamilyHistory=“no” Smoker=“no”)=0.9
训练贝叶斯网络
梯度
其中s个训练样本X1,…Xs,Wijk表示具有 双亲Ui=uik的变量Yi=yij的CPT项.比如Yi 是LungCancer,yij是其值“yes”,Ui列出Yi 的双亲(FH,S),uik是其值(“yes”,”yes”)
梯度方向前进, Wijk=Wijk+(l)*梯度 其中l是学习率,l太小学习将进行得很慢,l 太大可能出现在不适当的值之间摆动.通 常令l=1/t,t是循环的次数 将Wijk归一化. 每次迭代中,修改Wijk,并最终收敛到一个 最优解.
无病：阳性反应：0。01 阴性反应：0。99
问题：如果新化验的人具有阳性反应，问患病 的概率是多少？应分为W1还是w2?
朴素贝叶斯分类
假定有m个类C1,…Cm,对于数据样本X,分类法 将预测X属于类Ci,当且仅当 P(Ci|X)> P(Cj|X),1<=j<=m,j!=i 根据贝叶斯定理, P(Ci|X)=P(X|Ci)P(Ci)/P(X) 由于P(X)对于所有类都是常数,只需最大化 P(X|Ci) P(Ci)
对下面训练集，流感是类别属性 头疼 是 肌肉疼 是 体温 正常 流感 否
是
是 否 否 否
是
是 是 否 是
高
很高 正常 高 很高
是
是 否 否 是
(1) 用ID3算法建立决策树，给出过程。 (2) 对X={ 头疼=否，肌肉疼=是，体温=高} 用
贝叶斯定理进行分类处理，其类别结果是什么？
输入（0，1）
信道
判别结果
噪声为高斯型，均值为0，方差为2 ，若信道 输出为x, 试求判别规则。
计算P(X|Ci),朴素贝叶斯分类假设类条件 独立.即给定样本属性值相互条件独立. P(x1,…,xk|C) = P(x1|C)·…·P(xk|C)
样本 X = <rain, hot, high, false> P(X|p)·P(p) = P(rain|p)·P(hot|p)·P(high|p)·P(false|p)·P(p) = 3/9·2/9·3/9·6/9·9/14 = 0.010582 P(X|n)·P(n) = P(rain|n)·P(hot|n)·P(high|n)·P(false|n)·P(n) = 2/5·2/5·4/5·2/5·5/14 = 0.018286 样本 X 分配给 类 n (don’t play)
贝叶斯定理
后验概率(posteriori probabilities):P(H|X) 表示条件X下H的概率.
贝叶斯定理: P(H|X)=P(X|H)P(H)/P(X)
有病：W1 无病：W2
P(w1)=0.005 P(w2)=0.995
以往化验检查： 有病：阳性反应：0。95 阴性反应：0。05