Bayes过滤器 和 Bayes分类器

[color=red][size=x-large]Bayes过滤器[/size][/color]

贝叶斯推断及其互联网应用（一）
[url]http://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_one.html[/url]

贝叶斯推断及其互联网应用（二）
[url]http://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_two.html[/url]


难点：
1. P(E1)=P(S|W1)P(S|W2)P(S)怎么来的:

1.1 参见文章——数学（概率）/联合概率
P(E1)事实上是个后验概率，而P(E1)=P(S|W1)P(S|W2)P(S)基于两个假设——
S|W1, S|W2, S 两两独立，且交换变量"y"/"n"后概率相同。

另外，关于"联合概率分布"：http://www.hudong.com/wiki/%E8%81%94%E5%90%88%E6%A6%82%E7%8E%87%E5%88%86%E5%B8%83

1.2 相互独立事件
定义
　　相互独立事件（independent events): 事件A（或B）是否发生对事件B（A）发生的概率没有影响，这样的两个事件叫做相互独立事件。
　　相互独立事件同时发生的概率P(A*B) =P(A) *P(B)
推广
　　n个事件A1、A2、……An,
　　P(AiAj)=P(Ai)*P(Aj)；1≤i＜j≤n
　　P(AiAjAk)=P(Ai)*P(Aj)*P(Ak)；1≤i＜j＜k≤n
　　P(AiAjAkAl)=P(Ai)*P(Aj)*P(Ak)*P(Al)；1≤i＜j＜k＜l≤n
　　…………
　　P(A1A2A3……An)=P(A1)*P(A2)*P(A3)*……P(An)
　　当以上式子全部成立，可称为事件A1、A2、……An相互独立


2. P=P(E1)/(P(E1)+P(E2))怎么来的:

--------------------------------------------------------------------------------

[color=red][size=x-large]Bayes分类器[/size][/color]
[url]http://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html[/url]