贝叶斯定理（Bayes theorem）

这是关于“逆概”或“后验概率”的定理，之所以需要这个定理是因为后验概率是以“果”来推导“因”，所以往往难以直接统计出。

但是后验概率却非常重要，因为在现实生活中，往往都只能观测到一些表面的“果”，需要去推断“因”。

而bayes定理就给出一种计算后验概率的方法。

以例子来说明，一个班级中n个学生，有男生也有女生

两个features，短发;长发，穿裤子;穿裙子

如果在知道所有数据的情况下，即知道“因”去推“果”

随机抽取一个女生，穿裤子和留长发的概率是多少?

设 A=女生，B=(长发,裤子)，求P(B|A)，这个很容易，直接统计一下就可以得到

但在现实中，“因”总是晦涩的，如果你不知道具体的数据情况，而只是根据抽样“果”来推导“因”。

比如在抽取10个训练样本点后，问“如果一个同学穿裤子和留长发，那是一个女生的概率多大？”，即求P(A|B)，假设这个很难统计出

先看下贝叶斯定理的推导，

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

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

故，P(A|B) = P(B|A)P(A)/P(B)

这样就可以通过观测数据的P(B|A)来求出P(A|B)

其中，

P(A|B)，后验概率（posterior），是用果来推导出因

P(B|A)，观测到的数据的可能性大小（似然，Likelihood）概率

P(A)或P(B)，先验概率（Prior），即不考虑任何条件下，该事件出现的概率，取决于之前的先验经验， 比如之前知道男女比例为1：2，那么P(A)=2/3，即从先验上出现女生的概率要大些

然后对于P(B|A)，因为B包含两个feature，B1 长发，B2 裤子

基于朴素贝叶斯的特征条件独立假设，

P(B|A) = P(B1|A)P(B2|A)， 这个可以分别从样本数据中统计出

 

朴素贝叶斯分类

对于分类问题，其实就是把上面的问题变一下，问“如果一个同学穿裤子和留长发，那是男生还是女生了？”

假设C = 男生，那么这个问题就变成求解Max(P(A|B), P(C|B))

由于P(B)是个常量，在比较中没有作用，故变成求

Max(P(B|A)P(A), P(B|C)P(C))

这种方法称为最大似然估计

最大似然估计

参考，

拿里面抛硬币的例子，

3枚硬币，抛出正面的概率为1/3, 1/2, 2/3，硬币外观一样无法直接分出

假设，正面H，负面T，在用一面硬币抛出49次H和31次T的情况下，会是哪枚硬币？

这里需要求P(p=1/3|H=49,T=31), P(p=1/2|H=49,T=31), P(p=2/3|H=49,T=31)

明显，这个很难统计出来，所以使用Bayse定理，计算

可以看出这p=2/3的情况下的概率最大

这里没有使用先验概率，是因为在3枚硬币的情况下，每枚硬币的先验概率都是一样的

所以最大似然估计，就是根据训练集中最有可能出现的哪种case作为估计结果

 

朴素贝叶斯算法

这种方法中P(Y)和P(X|Y)都是由训练集中直接统计出来的，但是如果训练集中不存在这种case，会导致概率为0，从而使分类产生偏差。所以会使用贝叶斯估计来解决这个问题，