python计算条件概率_scikit-learn机器学习（五）--条件概率，全概率和贝叶斯定理及python实现...

在理解贝叶斯之前需要先了解一下条件概率和全概率，这样才能更好地理解贝叶斯定理

一丶条件概率

条件概率定义：已知事件A发生的条件下，另一个事件B发生的概率成为条件概率，即为P(B|A)

如图A∩B那一部分的发生的概率即为P(AB),

P(AB)=发生A的概率*发生A之后发生B的概率=发生B的概率*发生B之后发生A的概率

即：

P(AB)=P(A)*P(B|A)=P(B)*P(A|B)

所以条件概率公式：

P(B|A)=P(AB)/P(A)=P(B)*P(A|B)/P(A)

二丶全概率公式

全概率公式就是在样本空间E中，有一个事件A，而样本空间被划分为多个子空间B1,B2,B3…….，对于每一个子空间Bi，发生A事件的概率为：

P(A)=P(Bi)*P(A|Bi) i=1,2,3......n

也就是：发生Bi的概率*Bi中发生A的概率

那么整个样本空间E中发生A的概率即为：每一个样本子空间中发生A的概率的总和：

P(A)=P(B1)*P(A|B1)+P(B2)*P(A|B2)+.............+P(Bn)*P(A|Bn)

以上就是全概率公式，也可以写作：

全概率公式就是求一个事件在整个样本中发生的概率

三丶贝叶斯定理

贝叶斯定理不同的是，他是已知一个事件在整个样本中发生的概率之后，然后求另