《机器学习》贝叶斯分类器中贝叶斯公式的解释

　　使用贝叶斯分类器的目的是为了计算P(c|x)，即样本x划分为c类的概率。但在有些情况下，直接计算该值并不是很容易。通过贝叶斯公式也可以间接的计算该值。
　　贝叶斯公式如下：

P(c|x) = P(c)*P(x|c)/P(x)

• x的理解
  x是单个样本，其实际上由多个属性组成的，（x₁,x₂,…,x_i,…,x_N）,其中，N为样本属性值的个数。以西瓜分类为例，某N=3样本x的属性值分别为（青绿、蜷缩、浊想）。

• P(x|c)的理解
  P(x|c)是类别c中属性值为x的概率。以西瓜分类为例，c代表好瓜，那么此处的P(x|c)是好瓜中瓜的属性为青绿、蜷缩和浊想的概率。注意，此时的P(x|c)是一个联合概率。也就是P(x₁,x₂,…,x_i,…,x_N|c)

• P(x)的理解
  因此，一旦确定好样本x,P(x)值也就是确定的。也就是说，在一个样本总量为20的样本技中，属性值分别为（青绿、蜷缩、浊想）的样本有10个，那么，

P(x)=0.5

　　记住，P(x)的值是选定样本时可以确定的。

• P(c)的理解
  P(c)表示的是类别为c时的概率。以西瓜分类为例，当c=好瓜，则P(c)是样本中好瓜的概率。这通过统计科直接算出。