贝叶斯算法——入门篇——2021-07-15

贝叶斯算法（机器学习）

提出

贝叶斯（约1701-1761）Thomas Bayes,英国数学家
源于贝叶斯生前为解决**“逆概”**问题而写的一篇文章，“逆概”就是逆向概率的意思，由于当时的社会背景和人们的认知局限，人们并没有对这篇文章投以肯定的目光（题外话：很多大的超前的成就是不能被当时的人们所接受的，所以大家可以大胆的去探索自己思考的东西，不要不敢发声），在它去世后，其朋友拿着这篇文章为他赢回了“曙光”。

知识储备

（1）正向概率与逆向概率

这是贝叶斯需要解决的两个问题
正向概率:在知道事物比例的情况下，来计算某个事件出现的概率。
逆向概率：不知道事物比例的情况下，而是通过一定的表面现象来预测某个事件出现的概率。
why贝叶斯？
在现实生活中，由于人们的认知有限，且对于外界事物传达信息接受的不全面性，逆向概率的求解变得更为难以捕捉，于是便有了贝叶斯的出世。此外，贝叶斯通过一种间接的方式较为简单的求解了某事件的发生概率。
举个栗子可能理解的更好一点：
就比如知道，假设某理工大学校园里男生占65%，女生占35%，且知道大学校园里男生都穿长裤，女生一半穿裙子，一半穿长裤。
正向概率：随机选取一个学生，求其穿裙子的概率
逆向概率：发现一个穿长裤学生，问他是女生的概率（是不是有点像条件概率？）

（2）条件概率

公式：$$P(A|B)=\frac{P(AB)}{P(B)}$$
含义：在事件B发生的前提下，事件A发生的概率为事件AB同时发生的概率与事件B发生概率的比值。

贝叶斯公式的简例推导

还拿上边的例子来推导吧！