对贝叶斯、svm和神经网络的入门级理解

在省略了不少计算、优化的过程的情况下记录了一些自己对一下三个算法整体思路和关键点的理解，因此也只能说是“入门级理解”。以下是目录索引。

• 贝叶斯

  • 朴素贝叶斯

• svm支持向量积

• 神经网络

贝叶斯概率可以用来解决“逆概”问题，“正向概率”问题是指比如说，一个袋子中我们已知有2个白球，3个黑球，那么一次随机摸球活动，我们摸到黑球的概率是多少。但是现实中我们更常见的情况是，事先并不知道里面有多少个什么颜色的球，只知道摸出的某一个球的颜色，由此来猜测的袋中球色分布。这就是“逆概”问题。
贝叶斯公式：P(B|A) = P(AB) / P(A)

P(B|A)后验概率，在已知A发生的情况下B发生的概率
P(AB)联合概率，两件事一同发生的概率
P(A) A的边缘概率，也称先验概率，求解时通过合并无关事件B的概率从而将其消去，回顾一下概率论，在离散函数就是求无关事件B的和，连续函数中就是取B的积分。

就是在事件A发生的情况下，B发生的概率为A、B事件一同发生的概率与A事件单独发生的概率的比值。
贝叶斯公式看起来很简单，但是它是很有用的。举个输入错误判断的例子，如果一个人输入thew，那么我们怎么判断他到底是想输入the还是thaw呢？
A：已近知道的情况，在这里是”输入thew”
B1：猜测一，“想输入的是the”
B2：猜测二，“想输入thaw”
显然这里只需要比较P(AB)
但是P(AB)是什么呢，不好理解，我们再用一次贝叶斯P(AB)=P(B|A)