贝叶斯

本文介绍了贝叶斯公式及其在分类问题中的应用。通过具体例子解释了如何计算后验概率,讨论了朴素贝叶斯算法的特点,包括条件独立性假设及其在垃圾邮件过滤等场景的有效性。此外,提到了算法实施时需要注意的实践问题,如概率计算的下溢处理和数据预处理。最后,简要提及了Python实现朴素贝叶斯的方法。

1.1贝叶斯公式

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

P(A)或P(B):先验概率,表示每种类别分布的概率;

P(B | A):条件概率,在某类的前提下,事件发生的概率;

P(A | B):后验概率,事件发生,该事件属于某一类别的概率。

1.2图解

A已发生的条件下B发生的概率:P(B | A)=P(A∩B)/P(A); P((A∩B)=P(B | A) * P(A) = P(A | B) * P(B)。如下图:

                       

1.3例子

例1、一座别墅在过去的 20 年里一共发生过 2 次被盗,别墅的主人有一条狗,狗平均每周晚上叫 3 次,在盗贼入侵时狗叫的概率被估计为 0.9,问题是:在狗叫的时候发生入侵的概率是多少?

解:设发生盗贼入侵事件为A,狗吠事件为B。

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