共軛分布是一種極大簡化貝葉斯分析的方法。其作用是，在貝葉斯公式包含多種概率分布的情況下，使這些分布的未知引數在試驗前被賦予的物理意義，延續到試驗後，便於分析。
貝葉斯公式如下：
其中，表示樣本。這裡有三個重要的概念：先驗分布、似然函式，以及後驗分布。
符合某種概率分布。比如說在拋硬幣之前，我們認為正反兩面出現的概率各為1/2。
的條件下，樣本資料服從這一概率模型的相似程度。
後，模型引數服從的概率分布。即，對先驗分布進行了修正，更接近真實情況。
另外，因為是樣本，所以
在貝葉斯公式中，如果先驗分布和似然函式使得後驗分布具有和先驗分布相同的形式，那麼就稱先驗分布和似然函式是共軛的。
3.1 beta分布與二項分布共軛
beta概率函式如下:
其中，
3.2 dirichlet分布與多項分布共軛
beta分布擴充套件到多維是 dirichlet分布（狄利克雷分布），二項分布擴充套件到多維就是多項分布。dirichlet分布函式如下：
多項分布函式如下：
其中，k是指k維。
貝葉斯公式
貝葉斯定理由 英國數學家貝葉斯 thomas bayes 1702 1763 發展，用來描述兩個條件 概率之間的關係，比如 p a b 和 p b a 按照 乘法法則 p a b p a p b a p b p a b 可以立刻匯出 如上公式也可變形為 p b a p a b p b p a 例如 ...
貝葉斯公式
貝葉斯定理由英國 數學家貝葉斯 thomas bayes 1702 1763 發展，用來描述兩個條件 概率之間的關係，比如 p a b 和 p b a 按照乘法法則 p a b p a p b a p b p a b 可以立刻匯出 貝葉斯定理公式 p a b p b a p a p b 如上公式也可...
貝葉斯公式
是基於樸素貝葉斯定理分類器，其計算過程是在訓練階段的時候，先計算每個分類的先驗概率p a 和各個分類下面特徵屬性的條件概率p b a 的過程 反推特徵 分類的條件概率 a b 取最大概率作為分類結果。貝葉斯定理 已知a 分類 的條件概率，b 某個特徵 在a發生後的條件概率，求a在b發生後的條件概率 ...