貝葉斯在機器學習中的應用（一）

一：前提知識

具備大學概率論基礎知識

熟知概率論相關公式，並知曉其本質含義/或實質意義

二：入門介紹

先驗概率：即正向求解概率。 如：四個紅球，兩個白球，從中任取一個為白球的概率

後驗概率：即逆向求解概率。如：紅球的次品率為30%，白球的次品率為10%，現在袋子中的白球與紅球的數量比是3：1。抽取一個球為次品，問這個次品為紅球的概率

這裏就用到了貝葉斯公式。其中在使用貝葉斯公式，一般離不開全概率公式

三：與機器學習的聯系

分類學習。通常的分類器是有監督的學習，即有由大量樣本組成的訓練集和每個樣本對應的標簽（類別信息）。

在大量的數據之下，容易根據樣本的特征的概率值來判斷該樣本屬於哪一類。

例如：訓練集： 有10000個人，其中人的屬性有兩個，x1為年齡，x2為身高。標簽即分類信息有：小學，中學

訓練的過程是： 求類 小學 的情況下 各個年齡和身高出現的概率

求類 中學 的情況下 各個年齡和身高出現的概率

此時訓練已經結束

預測過程： 給定一個樣本：一個人 年齡已知，身高已知；預測其是小學生還是高中生

那麽只需要計算他是小學生的概率大還是高中生的概率大即可

計算方法：在整個訓練集中小學生的概率*在小學生的情況下該樣本身高值在訓練集中的概率*在小學生的情況下該樣本年齡值在訓練集中的概率

同理計算中學生，再比較兩個值的大小

四：詳細公式介紹及原理說明見下章

貝葉斯在機器學習中的應用（一）