1.贝叶斯公式

每次提到贝叶斯这三个字，心中的仰慕之情油然而生。感觉贝叶斯推断是众多机器学习算法的基础（尤其是统计学习）。一个很简单的公式应用到非常复杂和广泛的领域，真是一件了不起的事情。

再讲贝叶斯公式之前，首先回顾一下概率的知识。若 A、B 是两个事件，我们用P(A)表示事件A发生的概率，P(B)表示事件B发生的概率。若果A和B相互独立，那么我们有P(AB)=P(A)P(B)；如果A、B不独立，我们有P(AB)=P(B)P(A|B)。

贝叶斯公式为

证明起来也是比较简单的（根据条件概率公式直接得到）

贝叶斯公式的强大之处是他建立了P(A|B)和P(B|A)的桥梁，在很多情况下，我们可能难以计算P(A|B)，那么通过贝叶斯公式，有效地转化为其他的概率的计算，这种思想是非常重要的，感觉也是贝叶斯的精髓所在。记得大学的时候我的概率统计老师经常讲“结果已知，原因未知，就用贝叶斯公式”。当时只是为了便与考试，没有深入理解这句话的含义。在监督学习中，我们已知一组样本的特征X，需要对类别Y进行推断，也就是计算Y=t的概率。但是Y是未知的，也就是我们需要计算P(Y=t|X)，那么我们可以利用贝叶斯公式求出

这里：

P(X|Y=t)：可以直接统计training sample得到，当然对于离散和连续的情况都要进行相应的处理。

P(Y=t)：就是training sample 中类别t出现的概率

P(X) ：根据全概率公式得到，对于分类的任务来说，P(X)是一个常数，往往可以不参与计算（相当于一个标准化的操作）

[监督学习] NB 朴素贝叶斯