朴素贝叶斯(一)知识准备---条件概率、全概率、贝叶斯公式

1 条件概率        设A,B是两个事件,且P(B)>0,则在事件B发生的条件下,事件A发生的条件概率为:P(A∣B)=P(A,B)P(B)P(A|B)=\frac{P(A,B)}{P(B)}P(A∣B)=P(B)P(A,B)​        一般说到条件概率这一概念的时候,事件A和事件B都是同一实验...
摘要由CSDN通过智能技术生成

1 条件概率

        设A,B是两个事件,且P(B)>0,则在事件B发生的条件下,事件A发生的条件概率为:
P ( A ∣ B ) = P ( A , B ) P ( B ) P(A|B)=\frac{P(A,B)}{P(B)} P(AB)=P(B)P(A,B)

        一般说到条件概率这一概念的时候,事件A和事件B都是同一实验下的不同的结果集合,事件A和事件B一般是有交集的,若没有交集(互斥),则条件概率为0。

        用图更能说明上述问题,我们进行某一实验,某一实验所有的可能的样本的结合为Ω(也即穷举实验的所有样本),圆圈A代表事件A所能囊括的所有样本,圆圈B代表事件B所能囊括的所有样本。
                                                                 在这里插入图片描述
        由图再来理解一下这个问题:“B已经发生的条件下,A发生的概率”,这句话中,“B已经发生”就相当于已经把样本的可选范围限制在了圆圈B中,其实就等价于这句话:“在圆圈B中,A发生的概率”,显然P(A|B)就等于A,B交集中样本的数目/B的样本数目(为什么这里用的是样本的数目相除,而上面的公式却是用的概率相除,原因很简单,用样本数目相除时,把分子分母同除以总样本数,这就变成了概率相除)。

2 乘法公式

        这里的乘法公式其实是条件概率公式的变形,具体推导如下:
        由 P ( A ∣ B ) = P ( A , B ) P ( B ) P(A|B)=\frac{P(A,B)}{P(B)} P(AB)=P(B)P(A,B),可得 P ( A , B ) = P ( A ∣ B ) P ( B ) P(A,B)=P(A|B)P(B) P(A,B)=P(AB)P(B),由 P ( B ∣ A ) = P ( B , A ) P ( A ) P(B|A)=\frac{P(B,A)}{P(A)} P(BA)=P(A)P(B,A),可得 P ( B , A ) = P ( B ∣ A ) P ( A ) P(B,A)=P(B|A)P(A) P(B,A)=P(BA)P(A),其中 P ( A , B ) = P ( B , A ) P(A,B)=P(B,A) P(A,B)=P(B,A),所以有如下式子即乘法公式成立:
P ( A , B ) = P ( A ∣ B ) P ( B ) = P ( B ∣ A ) P ( A ) P(A,B)=P(A|B)P(B)=P(B|A)P(A) P(A,B)=P(AB)P(B)=P(BA)P(A)
        乘法公式推广:对于任何正整数 n ≥ 2 n≥2 n2,当 P ( A 1 A 2 . . . A n − 1 ) > 0 P(A_1A_2...A_{n-1}) > 0 P(A1A2...An1)>0 时,有如下式子成立:
P ( A 1 A 2 . . . A n − 1 A n ) = P ( A 1 ) P ( A 2 ∣ A 1 ) P

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值