人工智能贝叶斯学习

1，贝叶斯定理。

贝叶斯定理如下：

 P ( B|A )=P ( A ｜ B ) P ( B )/P(A)
式中， P ( BA ）是后验概率，是在条件 A 发生的情况下 B 发生的概率； P ( H ）是先验概率，或称为 H 的先验概率，即不考虑其他的情况下 H 发生概率； P ( AIB ）和 P ( BIA ）一样，也
是后验概率。

2，普速贝叶斯的基本模型。

从统计学知识回到我们的数据分析。假如我们的分类模型样本是：

(x(1)1,x(1)2,...x(1)n,y1),(x(2)1,x(2)2,...x(2)n,y2),...(x(m)1,x(m)2,...x(m)n,ym)(x1(1),x2(1),...xn(1),y1),(x1(2),x2(2),...xn(2),y2),...(x1(m),x2(m),...xn(m),ym)

　　　　即我们有m个样本，每个样本有n个特征，特征输出有K个类别，定义为C1,C2,...,CKC1,C2,...,CK。

　　　　从样本我们可以学习得到朴素贝叶斯的先验分布P(Y=Ck)(k=1,2,...K)P(Y=Ck)(k=1,2,...K),接着学习到条件概率分布P(X=x|Y=Ck)=P(X1=x1,X2=x2,...Xn=xn|Y=Ck)P(X=x|Y=Ck)=P(X1=x1,X2=x2,...Xn=xn|Y=Ck),然后我们就可以用贝叶斯公式得到X和Y的联合分布P(X,Y)了。联合分布P(X,Y)定义为：

P(X,Y=Ck)=P(Y=Ck)P(X=x|Y=Ck)=