贝叶斯公式的理解及应用（垃圾邮件过滤）

转载自：
全概公式和贝叶斯公式的理解
贝叶斯推断及其互联网应用（二）：过滤垃圾邮件
理解贝叶斯公式之前先理解条件概率和全概公式。

条件概率

理解这个可以从两个角度来看。
第一个角度：在B发生的基础上，A发生的概率。那么B发生这件事已经是个基础的条件了，现在进入B已经发生的世界，看看A发生的概率是多少。那么分子就是B发生A也发生，分母就是B这个世界发生的概率了。分母如果是1，那么成了什么意思呢？

另一个角度是看韦恩图。这里A在B发生的基础上发生的概率是A和B交集的阴影部分面积占用B的比例。

那么由条件概率出发，看一下变形出来的乘法公式：
P(AB)=P(A)⋅P(B|A)=P(B)⋅P(A|B)
也可以提供上面的两个角度来理解这个公式，虽然可以由上面的直接推导，但是我们认为这是问题的思考的不同角度，不仅仅是公式之间的运算。

一：AB同时发生的概率是在A基础上发生B的概率乘以A本身在外部发生的概率，也是B基础上发生A的概率乘以B本身在外部发生的概率.
二：AB表示的是阴影部分的面积占用A或者B的比例关系。

仅仅从形式上说，竖线后面的要在前面多乘以一个以达到平衡。

全概率

一个别人举的例子：
一个村子与三个小偷，小偷偷村子的事件两两互斥，求村子被偷的概率。

解释：假设这三个小偷编号为A1,A2,A2；
偷东西的事件标记为B,不偷的话标记为：B¯¯¯

那么被偷的概率就是：要么是A1，要么是A2，要么是A3，
如果是A1, 概率是什么呢？首先得是A1,其次是村子被偷，也即是两个事件都满足，所以是P(A1B)
同理，可以得到P(A2B),P(A3B)

又因这三个小偷两两互斥，表示不会同时去偷。所以被偷的概率是：

P(B)=P(A1B)+P(A2B)+P(A3B)

当然按照条件概率或者乘法公式展开：
P(B)=P(A1)P(B|A1)+P(A2)P(B|A2)+P(A3)P(B|A3) （*）

PS: P(Ai),P(B|Ai)是已知的

问：是不是有想展开为：

P(B)=P(B)P(A1|B)+P(B)P(A1|B)+P(B)P(A1|B)的冲动？

当然这个式子是没错的，但是体现不了这个问题的解法：分阶段。

（*）式子体现的是问题分为两个阶段：
1）选人，分割问题
2）计算分割的子问题的条件概率

对应的这里来便是：
1）选小偷，谁去偷
2）选定的小偷作为条件，那么他去偷的条件概率是什么

所以将问题拆解为阶段的问题便是全概率公式针对的问题。

贝叶斯公式

贝叶斯公式有意思极了，简单说就是逆全概公式。

前面是问总体看来被偷的概率是多少，现在是知道了总体被偷了这件事，概率并不知道，问你个更有意思的问题，像是侦探断案：是哪个小偷的偷的，计算每个小偷偷的概率。

这个特性用在机器学习，人工智能领域相当好用。

也就是求：P(Ai|B)=P(AiB)P(B)

Ai:小偷i干的；B:村子被偷了

首先是一个淳朴的条件概率的展开。
分母里出现了P(B),刚刚讨论的全概公式拿来用一用！
而P(AiB)=P(Ai)⋅P(B|Ai)

对应到上面的例子就鲜活一些：村子被偷了，求Ai偷的概率。

自然现在条件是P(B)，分子变形为P(AiB)=P(Ai)⋅P(B|Ai)，是因为假定就是Ai偷的，这是一个已知的概率。
分母P(B)=∑ni=1P(Ai)P(B|Ai)

除了上面的思路外，通常需要注意的是分阶段意味着时间的先后。在先进行的事件的基础上进行后面的事件，就很容易计算概率：P(AB)=P(A)P(B|A)这种。

所以当我们需要计算先验概率，即先发生的时间的概率时，总是想着用上面的这个类型来计算，且是通过条件概率进行过渡。

贝叶斯应用：垃圾邮件过滤

什么是贝叶斯过滤器？

垃圾邮件是一种令人头痛的顽症，困扰着所有的互联网用户。

正确识别垃圾邮件的技术难度非常大。传统的垃圾邮件过滤方法，主要有”关键词法”和”校验码法”等。前者的过滤依据是特定的词语；后者则是计算邮件文本的校验码，再与已知的垃圾邮件进行对比。它们的识别效果都不理想，而且很容易规避。

2002年，Paul Graham提出使用”贝叶斯推断”过滤垃圾邮件。他说，这样做的效果，好得不可思议。1000封垃圾邮件可以过滤掉995封，且没有一个误判。

另外，这种过滤器还具有自我学习的功能，会根据新收到的邮件，不断调整。收到的垃圾邮件越多，它的准确率就越高。

建立历史资料库

贝叶斯过滤器是一种统计学过滤器，建立在已有的统计结果之上。所以，我们必须预先提供两组已经识别好的邮件，一组是正常邮件，另一组是垃圾邮件。

我们用这两组邮件，对过滤器进行”训练”。这两组邮件的规模越大，训练效果就越好。Paul Graham使用的邮件规模，是正常邮件和垃圾邮件各4000封。

“训练”过程很简单。首先，解析所有邮件，提取每一个词。然后，计算每个词语在正常邮件和垃圾邮件中的出现频率。比如，我们假定”sex”这个词，在4000封垃圾邮件中，有200封包含这个词，那么它的出现频率就是5%；而在4000封正常邮件中，只有2封包含这个词，那么出现频率就是0.05%。（【注释】如果某个词只出现在垃圾邮件中，Paul Graham就假定，它在正常邮件的出现频率是1%，反之亦然。这样做是为了避免概率为0。随着邮件数量的增加，计算结果会自动调整。）

有了这个初步的统计结果，过滤器就可以投入使用了。

贝叶斯过滤器的使用过程

现在，我们收到了一封新邮件。在未经统计分析之前，我们假定它是垃圾邮件的概率为50%。（【注释】有研究表明，用户收到的电子邮件中，80%是垃圾邮件。但是，这里仍然假定垃圾邮件的”先验概率”为50%。）

我们用S表示垃圾邮件（spam），H表示正常邮件（healthy）。因此，P(S)和P(H)的先验概率，都是50%。

然后，对这封邮件进行解析，发现其中包含了sex这个词，请问这封邮件属于垃圾邮件的概率有多高？

我们用W表示”sex”这个词，那么问题就变成了如何计算P(S|W)的值，即在某个词语（W）已经存在的条件下，垃圾邮件（S）的概率有多大。

根据条件概率公式，马上可以写出

公式中，P(W|S)和P(W|H)的含义是，这个词语在垃圾邮件和正常邮件中，分别出现的概率。这两个值可以从历史资料库中得到，对sex这个词来说，上文假定它们分别等于5%和0.05%。另外，P(S)和P(H)的值，前面说过都等于50%。所以，马上可以计算P(S|W)的值：

因此，这封新邮件是垃圾邮件的概率等于99%。这说明，sex这个词的推断能力很强，将50%的”先验概率”一下子提高到了99%的”后验概率”。

联合概率的计算

做完上面一步，请问我们能否得出结论，这封新邮件就是垃圾邮件？

回答是不能。因为一封邮件包含很多词语，一些词语（比如sex）说这是垃圾邮件，另一些说这不是。你怎么知道以哪个词为准？

Paul Graham的做法是，选出这封信中P(S|W)最高的15个词，计算它们的联合概率。（【注释】如果有的词是第一次出现，无法计算P(S|W)，Paul Graham就假定这个值等于0.4。因为垃圾邮件用的往往都是某些固定的词语，所以如果你从来没见过某个词，它多半是一个正常的词。）

所谓联合概率，就是指在多个事件发生的情况下，另一个事件发生概率有多大。比如，已知W1和W2是两个不同的词语，它们都出现在某封电子邮件之中，那么这封邮件是垃圾邮件的概率，就是联合概率。

在已知W1和W2的情况下，无非就是两种结果：垃圾邮件（事件E1）或正常邮件（事件E2）。

事件	w1	w2	垃圾邮件
E1	出现	出现	是的
E2	出现	出现	是的

其中，W1、W2和垃圾邮件的概率分别如下：
其中，W1、W2和垃圾邮件的概率分别如下：

如果假定所有事件都是独立事件（【注释】严格地说，这个假定不成立，但是这里可以忽略），那么就可以计算P(E1)和P(E2)：

又由于在W1和W2已经发生的情况下，垃圾邮件的概率等于下面的式子：

即

将P(S)等于0.5代入，得到

将P(S|W1)记为P1，P(S|W2)记为P2，公式就变成

这就是联合概率的计算公式。如果你不是很理解，点击这里查看更多的解释。

最终的计算公式

将上面的公式扩展到15个词的情况，就得到了最终的概率计算公式：

一封邮件是不是垃圾邮件，就用这个式子进行计算。这时我们还需要一个用于比较的门槛值。Paul Graham的门槛值是0.9，概率大于0.9，表示15个词联合认定，这封邮件有90%以上的可能属于垃圾邮件；概率小于0.9，就表示是正常邮件。有了这个公式以后，一封正常的信件即使出现sex这个词，也不会被认定为垃圾邮件了。