机器学习：贝叶斯分类器

一、贝叶斯网络

1.（补充）先验概率与后验概率

先验概率：指根据以往经验和分析。 在实验或采样前就可以得到的概率

后验概率：指某件事已经发生，想要计算这件事发生的原因是由某个因素引起的概率。

2.（补充）极大似然估计

       极大似然估计，通俗理解来说，就是利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值！换句话说，极大似然估计提供了一种给定观察数据来评估模型参数的方法，即：“模型已定，参数未知”。

极大似然估计中采样需满足一个重要的假设，就是所有的采样都是独立同分布的。

example:

       假如有一个罐子，里面有黑白两种颜色的球，数目多少不知，两种颜色的比例也不知。我 们想知道罐中白球和黑球的比例，但我们不能把罐中的球全部拿出来数。现在我们可以每次任意从已经摇匀的罐中拿一个球出来，记录球的颜色，然后把拿出来的球 再放回罐中。这个过程可以重复，我们可以用记录的球的颜色来估计罐中黑白球的比例。假如在前面的一百次重复记录中，有七十次是白球，请问罐中白球所占的比例最有可能是多少？

很多人马上就有答案了：70%。而其后的理论支撑是什么呢？

我们假设罐中白球的比例是p，那么黑球的比例就是1-p。因为每抽一个球出来，在记录颜色之后，我们把抽出的球放回了罐中并摇匀，所以每次抽出来的球的颜 色服从同一独立分布。

这里我们把一次抽出来球的颜色称为一次抽样。题目中在一百次抽样中，七十次是白球的,三十次为黑球事件的概率是P(样本结果|Model)。

如果第一次抽象的结果记为x1,第二次抽样的结果记为x2....那么样本结果为(x1,x2.....,x100)。这样，我们可以得到如下表达式：

P(样本结果|Model)

　　= P(x1,x2,…,x100|Model)

　　= P(x1|Mel)P(x2|M)…P(x100|M)

　　= p^70(1-p)^30.

好的，我们已经有了观察样本结果出现的概率表达式了。那么我们要求的模型的参数，也就是求的式中的p。

那么我们怎么来求这个p呢？

不同的p，直接导致P（样本结果|Model）的不同。

好的，我们的p实际上是有无数多种分布的。如下：

那么求出 p^70(1-p)^30为 7.8 * 10^(-31)

p的分布也可以是如下：

那么也可以求出p^70(1-p)^30为2.95* 10^(-27)

那么问题来了，既然有无数种分布可以选择，极大似然估计应该按照什么原则去选取这个分布呢？

答：采取的方法是让这个样本结果出现的可能性最大，也就是使得p^70(1-p)^30值最大，那么我们就可以看成是p的方程，求导即可！

那么既然事情已经发生了，为什么不让这个出现的结果的可能性最大呢？这也就是最大似然估计的核心。

我们想办法让观察样本出现的概率最大，转换为数学问题就是使得：

p^70(1-p)^30最大，这太简单了，未知数只有一个p，我们令其导数为0，即可求出p为70%，与我们一开始认为的70%是一致的。其中蕴含着我们的数学思想在里面。

3.概念

贝叶斯网络，又称有向无环图，是一种概率图模型。根据概率图的拓扑结构，考察一组随即变量{X1、X2、X3......Xn}及其n组条件概率分布的性质。

4.贝叶斯网络的结点与箭头

一般而言，贝叶斯网络的有向无环图中的结点表示随机变量，它们可以观察到的变量、隐变量、未知参数等。连接两个结点的箭头代表此两个随机变量是具有因果关系（或非条件独立性）。若两个结点之间以一个单箭头连接在一起，表示其中一个结点是“因”，另一个结点是“果”，两个结点就会产生一个条件概率值。

箭头表示本质不是因果关系，而是非条件独立。

5.一个“简单”的贝叶斯网络

简单：全连接的贝叶斯网络，每一对结点之间都有边连接。

模型建立非常的复杂，不利于推导甚至会产生过拟合的问题。

6.一个“正常”的贝叶斯网络

正常：有些边缺失

 7.贝叶斯网络实例

 参数的个数为1+1+4&