贝叶斯决策matlab模拟

简介

首先，先介绍以下Beyas决策的基础：Beyas公式
$$P({\omega }_i|x)=\frac{P(x|{\omega }_i)P({\omega }_i)}{P(x)}$$

其中$P(x|{\omega }_i)$为类条件概率，$P({\omega }_i)$是条件${\omega }_i$的先验概率，最终得到的结果是$P({\omega }_i|x)$ 由条件${\omega }_i$导致的后验概率

BB这么多，这公式啥意思呢？如果学过概率论的同学应该对类条件概率和先验概率并不陌生，$P({\omega }_i)$就是条件 或者 事件发生的概率，$P(x|{\omega }_i)$就是条件概率。下面我们实例化说明一下
记${\omega }_0$为第一次十连中奖，${\omega }_1$为第一次十连保底，记$x$为再来一发中奖，那么$P({\omega }_0)$就是我第一次十连中奖的概率，而$P(x|{\omega }_1)$就是我已经保底之后，再来一发中奖的概率。
同样在该实例化中，对于后验概率我们又怎么解释呢？比如：$P({\omega }_1|x)$ 在我又氪了一单十连中奖之后，我第一次保底的概率。这好像不太不符合认知，我们在通过观测当前事件，去推算已经发现事件的概率，通俗一点说，我们想知道过去的某一事件对现在这件事的影响有多大，而显然这是我们无法人为察觉到的，我们习惯于做出假设并验证，而不是根据结果去推测

之后，我们再根据Bayes公式去看Bayes决策：依据后验概率对x进行分类。根据上面对后验概率的解释，Bayes决策实际就是对x进行解析，推测在每个类别中概率，并将x归为可能性最大的分组中

基于最小错误率的Bayes决策

在这种衡量方式下，我们认为错误是不可接受的，但由于事件具有随机性ÿ