高斯朴素贝叶斯算法

今天我们学习的是高斯朴素贝叶斯算法。

• 学习前一句话概括心中的高斯朴素贝叶斯模型：

直接对已经有的数据进行估计，估计它的分布，得到一系列的先验概率。

而后将新的数据带入贝叶斯公式利用不同类型发生情况的概率（先验概率）和观测值算出一系列概率，最后取其中最大的一个作为最终的概率。

课后修正：存在的问题有没有解释高斯，高斯实际上就是数据是服从高斯分布的，朴素贝叶斯和贝叶斯算法不同，朴素贝叶斯针对高维数据的计算做出简化，假设高维数据各个特征并不相关，那么计算后验概率的时候可以把乘法改成用加法。

1. 帮助分辨什么是贝叶斯公式

定义：

正向概率：知道数据分布寻求结果

逆向概率：知道结果估计数据分布

例子：

在一个房间中，穿红色衣服的人一定是病人，工作人员中有一半的人穿红色衣服一半穿白色衣服

正向概率：随机挑选一个人，问他穿着红色衣服的概率。（问某个条件发生的概率应用公式：古典概率的公式）

逆向概率：已知有一个人穿着红色衣服，那么他是工作人员的概率是多少？(应用公式P(A|B) = P(AB)/P(B) 或 P(A|B) = P(B|A)/P(A))

贝叶斯算法解决问题二：

1、计算已有数据的分布得到各种可能的先验概率：

2、通过先验概率和新得到的数据计算各个可能的后验概率：

3、比较各个后验概率取最大的一个：

（等待补充）