贝叶斯网络Bayesian Network (朴素贝叶斯，Naive )

1. 概率论

与之相关的有概率论的一些知识，这里先做简单知识复习。

1.1 条件概率

条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为：P（A|B），读作“在B的条件下A的概率”。若只有两个事件A，B，那么$$P(A|B)=\frac{P(AB)}{P(B)}$$设E 为随机试验，Ω 为样本空间，A，B 为任意两个事件，设P(A)>0，称 $$P(B|A)=\frac{P(AB)}{P(A)}$$为在“事件A 发生”的条件下事件B 的条件概率。上述乘法公式可推广到任意有穷多个事件时的情况。设$A_1,A_2,...,A_n$为任意n个实践（n>=2）且$P(A_1{A}_2...A_n)>0$,则$P(A_1{A}_2...A_n)=P(A_1)P(A_2|A_1)...P(A_n|A_1{A}_2...A_{n-1})$

1.2 全概率公式

定义：（完备事件组/样本空间的划分）
设B1，B2，…Bn是一组事件,若
（1） ∀ i ≠ j ϵ { 1 , 2 , . . . n } , B i n B j = ∅ \forall_i \neq j \epsilon \{1,2,...n\},B_inB_j= \emptyset ∀i​̸​=jϵ{ 1,2,...n},Bi​nBj​=∅
（2）B1∪B2∪…∪Bn=Ω
则称B1，B2，…Bn样本空间Ω的一个划分，或称为样本空间Ω 的一个完备事件组。
定理（全概率公式）：
设事件组 { B } \{B\} { B}是样本空间Ω 的一个划分，且P（Bi）>0（i=1，2，…n）则对任一事件B，有 P ( A ) = ∑ i = 1 n P ( B i ) P ( A ∣ B i ) P(A)=\sum_{i=1}^nP(B_i)P(A|B_i)