教你如何理解贝叶斯公式
贝叶斯公式
定理贝叶斯的英文概率论中的一个定理，跟它随机变量的条件概率以及边缘概率分布有关。
下面是贝叶斯的公式：
其中P（A | B）。是指在事件乙发生的情况下事件甲发生的概率其中甲代表的是所属的类别（Y），B代表的是特征（x）的
在贝叶斯定理中，每个名词都有约定俗成的名称：
- P（A | B）是已知B发生后A的条件概率，也由于得自B的取值而被称作A的后验概率。
- P（A）是A的先验概率（或边缘概率）。之所以称为“先验”是因为它不考虑任何B方面的因素。
- P（B | A）是已知A发生后B的条件概率，也由于得自A的取值而被称作B的后验概率。
- P（B）是B的先验概率或边缘概率。
下面我们举个例子来运用贝叶斯定理
这个表格是有关学生考试是否挂科的，1表示挂科，0表示没挂科，其他三个属性代表的是学生在考前所做过的事情，1表示做了，0表示没有做
| 是否挂科（Y） | 喝酒（A） | 打游戏（B） | 学习（C） |
| 1 | 1 | 1 | 0 |
| 0 | 0 | 0 | 1 |
| 0 | 0 | 1 | 1 |
| 0 | 1 | 0 | 1 |
| 1 | 0 | 1 | 0 |
| 0 | 0 | 1 | 1 |
| 1 | 1 | 1 | 1 |
| 1 | 0 | 0 | 0 |
通过这个表我们可以计算出我们所要得到的一些概率：
总共有8名学生的记录，其中挂科的总共有4名学生，所以我们可以算出:(有点多余啊，太简单了）
挂科的概率为 
，则没有挂科的概率为
喝酒的概率为，没有喝酒的概率
打游戏的概率为 ，没有打游戏的概率为
学习的概率为 ，没有学习的概率为
上面计算的只是某一个时间发生的概率，现在计算一下多件事同时发生的概率：
喝酒并且挂科的概率为
打游戏并且挂科的概率为
学习并且挂科的概率为
现在我们来计算一下当喝酒（A）时，挂科的概率
这个概率的表达式为
同理
当打游戏（B）时，挂科的概率
当学习（C）时，挂科的概率
通过公式，，默认都为1，则通过化简两式相等可得到
这样我们就可以得到 ，这个就是贝叶斯公式了
因为阿为特征，所以我们可以将阿用特征X代替，X为所有特征（X = X1，X2，X3，即为A，B，C）
由于在计算概率时，所有概率的分母都相同，所以在计算时就不需要考虑分母。并在朴素贝叶斯之所以朴素，原因就在于它认为各个特征值之间是相互独立的，因此可以简化为
通过知道X1，X2，X3的取值求得概率，就比如我们现在求一下表中第二条的概率，从表中可以知道X1 = 0，X2 = 0，X3 = 1，从前面所求的概率可以求到
通过这个概率可以知道当在考试前不喝酒，不打游戏，学习的话挂科的概率为1/16，所以说考试之间还是得学习的！
根据这个例子，相信大家可以很方便的理解贝叶斯公式。那么在理解完了贝叶斯公式之后，我们能用它来做什么呢？这个在下一篇中，我们就要讲讲如何利用贝叶斯公式来实现机器学习中的朴素贝叶斯算法了
用朴素贝叶斯进行文本分类：https://blog.csdn.net/qq_39187675/article/details/85139574
（如有错误，请指正）
教你如何理解贝叶斯公式相关推荐
- 教你简单理解分布式与传统单体架构的区别
教你简单理解分布式与传统单体架构的区别 原文:教你简单理解分布式与传统单体架构的区别 分布式是一种系统架构方式,而在分布式系统中一般基于中间件进行开发,消息中间件是分布式系统中比较核心的中间件之一.这 ...
- 【TensorFlow】TensorFlow从浅入深系列之十三 -- 教你深入理解模型持久化（模型保存、模型加载）
本文是<TensorFlow从浅入深>系列之第13篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...
- 【TensorFlow】TensorFlow从浅入深系列之十二 -- 教你深入理解卷积神经网络中的池化层
本文是<TensorFlow从浅入深>系列之第12篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...
- 【TensorFlow】TensorFlow从浅入深系列之十一 -- 教你深入理解卷积神经网络中的卷积层
本文是<TensorFlow从浅入深>系列之第11篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...
- 【TensorFlow】TensorFlow从浅入深系列之六 -- 教你深入理解经典损失函数（交叉熵、均方误差）
本文是<TensorFlow从浅入深>系列之第6篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维导 ...
- 【Python】Python实战从入门到精通之七 -- 教你深入理解异常处理
本文是<Python实战从入门到精通>系列之第7篇 [Python]Python实战从入门到精通之一 -- 教你深入理解Python中的变量和数据类型 [Python]Python实战从入 ...
- 【Python】Python实战从入门到精通之一 -- 教你深入理解Python中的变量和数据类型
本文是Python实战–从入门到精通系列的第一篇文章: Python实战从入门到精通之一 – 教你深入理解Python中的变量和数据类型 文章目录 1.变量 1.1 变量命名规则 1.2 变量名称错误 ...
- matlab计算正负零序分量,5分钟教你正确理解电力系统中的正序负序零序.doc
5分钟教你正确理解电力系统中的正序负序零序 电力 三相不平衡 作图法 对称分量法 1:三相不平衡的的电压(或电流),可以分解为平衡的正序.负序和零序 2:零序为3相电压向量相加,除以3 3:正序将BC ...
- 5分钟理解贝叶斯公式
贝叶斯公式: $$P(Y|X)=\frac{P(X|Y) P(Y)}{P(X)}$$ 贝叶斯公式是机器学习的大部分算法理论的基础,比如朴素贝叶斯方法,隐马尔可夫模型,条件随机场,可以说不理解贝叶斯公式 ...
最新文章
- 【进阶4-1期】详细解析赋值、浅拷贝和深拷贝的区别
- 【转】Win7+Ubuntu12.04.1硬盘安装错误及解决方案----不错
- Live Writer测试
- 关于Remoting信道的通信的问题
- Servlet 工程 web.xml 中的 servlet 和 servlet-mapping 标签
- 一、Pytho第一课——Python安装及配置路径方法（最详细小白教程，没有之一。如若不懂，不是还可以私信嘛!对吧？）
- oracle查看context,oracle context（上下文）
- java 与 .net socket_java.net.ServerSocket和java.net.Socket
- 华米科技将推出首款真无线耳机 支持降噪还能检测心率？
- .net vue漂亮登录界面_6个宝藏级Vue管理后台框架 必须收藏
- C# 如何实现记住密码功能
- Python中通过Image的open之后，去show结果打不开bmp图片，无法正常显示图片
- 校准 Linux 服务器的时间
- Unity怎么变中文
- linux搭建认证服务器,Linux上搭建FreeRadius服务器
- 11(1)-AirSim+四旋翼仿真-人工势场法动态避障
- Spring内部原理模拟实现（一）—————— 开开开山怪
- linux虚拟机之ubuntu的软件包管理（6/10）
- matlab第八章概率计算ppt,Matlab来解决概率统计学ppt
- surface电脑分辨率问题/字体太小