机器学习 -- 贝叶斯决策理论

场景

之前我们通过k近邻算法和决策树做出了 分类，这是分类器会给出一个艰难的预测的最优的结果，我们可以根据这个结果做出决策，但是这个结果如果是错误的，就芭比扣了。我现在想要分类器不仅仅给我一个最优结果，我还想分类器给我一个这个结果对应的概率。这时候我们可以采用贝叶斯决策理论。

贝叶斯决策理论

百度对其的描述是： 贝叶斯决策理论，是主观贝叶斯派归纳理论的重要组成部分。 贝叶斯决策就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。 我听不懂，不妨以一个高数题入局。当我还是个大学生的时候，觉得高数没什么用，现在觉得自己当时太年轻了。
废话就不说了，我们做一个高数题：

人的性别由一对性染色体决定：男为XY，女为XX，每个人从父母处各得到一个性染色体，色盲基因由X染色体携带，且若男性的X染色体有此基因则男性患色盲，女性则要两个X染色体均有此基因才患色盲，而两个X是否有色盲基因是独立的。设色盲基因出现概率为0.08。又设男女婴出生比为110:100。问一新生儿有色盲的概率是多少？

这是一个高数的典型题目，其实不难，我们只要知道，男孩如果出现色盲基因必须是色盲，概率是百分比，女生是色盲的概率是 色盲基因 ** 2。那么结果是

# 定义已知概率
p_colorblind_gen