【统计学习方法】朴素贝叶斯法

1. 基础知识

1.1 条件概率

一个事件概率依赖于另外一个事件(已发生)的度量。

$P(B|A)$的意义是在A发生的情况下B事件发生的概率。这就是条件概率。

\(P(AB) = P(A) \times P(B|A)​\) 代表的意义是，AB事件同时发生的概率等于事件A发生的概率乘以在A发生条件下B事件发生的概率。

\[P(B|A)=\frac{P(AB)}{P(A)} \]

事件序列发生且彼此相互依赖，所以才有条件概率，这是前提。如果A, B两个事件没有相互依赖关系，那么就是独立事件。在独立事件的情况下，两个事件不会相互影响对方。

\[P(B|A)=P(B) if A,B互为独立事件 \]

1.2 全概率定律

事件A1，A2，A3，...... A是相互排斥的，不能同时发生。若事件A1，A2，…构成一个完备事件组且都有正概率，则对任意一个事件B，有如下公式成立：

\[P(B) = P(BA_1)+P(BA_2)+...+P(BA_n) \\ =P(B|A_1)P(A_1) + P(B|A_2)P(A_2) + ... + P(B|A_n)P(A_n) \]

1.3 贝叶斯定理

graph TB start-->A A-->B B-->A A-->start

最简单形式：

后验概率 = 修正因子 x 先验概率

\[P(A|B)=\frac{P(B|A)}{P(B)}\times P(A) \]

graph TB start-->A1 start-->A2 start-->A3 start-->An A1-->B A2-->B A3-->B An-->B

\[P(A_i|B) = \frac{P(B|A_i)\times P(A_i)}{\sum_1^{n}P(A_i)\times P(B|A_i)} \]

1.4 极大似然估计

极大似然估计是概率论中一个很常用的估计方法，在机器学习中的逻辑回归中就是基于它计算的损失函数

极大似然估计是基于一个理论：概率最大的事件，最可能发生

极大似然估计（maximum likelihood estimation, MLE），通俗的说就是 —— 最像估计法（最可能估计法）

极大似然原理与数学表示: 有n个实验结果，$A_i$到$A_n$，如果$A_j$发生了，则意味着$A_j$发生的概率最大。即，一次试验就发生的事件，这个事件本身发生概率最大

转载于:https://www.cnblogs.com/pprp/p/11250786.html