1.基礎知識點
條件概率公式
在b的條件下a發生的概率=a、b同時發生的概率/b發生的概率
理解：因為a、b同時發生的概率裡已經包含了b發生的概率，所以要將b的概率除掉。
2.驗-經驗
先驗概率：於經驗之前的概率，相當於普通的概率
後驗概率：於經驗之後的概率，即條件概率
3.貝葉斯公式：實質就是條件概率公式兩種形式（以a、b同時發生的概率為橋梁）
p(a|b)=p(b|a)*p(a)/p(b)
4.在機器學習中用x表示特徵集合，wi代表類標籤。則
公式表示：p(wi|x)=p(x|wi)*p(wi)/p(x)
p(wi)為先驗概率，有70個蘋果，30個梨，那麼選乙個為蘋果的概率
p(x|wi) 稱為似然概率，類別確定情況下x的分布，比如說蘋果的尺寸分布。知道似然概率與梨的大小分布似然概率比較後，也就知道了摸到什麼尺寸的情況下，是蘋果的概率大於是梨的概率。
【3】對公式上述兩個式子相乘的理解：上述兩個式子相乘後就是：事件一：選乙個為蘋果的概率 。事件二：選乙個某尺寸的概率（即某乙個特徵的概率）
兩個事件同時發生的概率。即拿出乙個是蘋果且有這個特徵的概率，那麼就可以用來**這個特徵的真實類別
這是精華，是為了得到某特徵屬於某一類的概率
公式的分布可以從兩個方向去理解：
1.從條件概率推導去理解
2.我們要**需要知道拿出乙個東西是蘋果且具備這個特徵的概率，實際上已經可以用來**了。但為了用概率表示，分母作用是歸一化，分母可以寫成∑p(x|wi)*p(wi)
p(x|wi)則稱為後驗概率
5.貝葉斯公式的應用
p(wi|x)哪個大就屬於哪個類別
n.問題
什麼是似然概率？所謂似然是老師說的可能性？
先驗概率 後驗概率（貝葉斯公式）最佳理解
在原因b發生的條件下，結果a發生的概率 p a b 假如結果a發生的原因有b1，b2 等多種原因，則全概率公式如下 p a p b1 p a b1 p b2 p a b2 是指以往經驗和分析得到的概率。意思是說我們人有乙個常識,比如骰子,我們都知道概率是1 6,而且無數次重複實驗也表明是這個數,這是...
先驗概率,後驗概率,條件概率,貝葉斯
from and 先驗概率 事件發生前的預判概率。可以是基於歷史資料的統計，可以由背景常識得出，也可以是人的主觀觀點給出。一般都是單獨事件概率，如p x p y 後驗概率 事件發生後求的反向條件概率 或者說，基於先驗概率求得的反向條件概率。概率形式與條件概率相同。條件概率 乙個事件發生後另乙個事件發...
先驗概率 後驗概率 貝葉斯公式 似然函式
在機器學習中，這些概念總會涉及到，但從來沒有真正理解透徹他們之間的聯絡。下面打算好好從頭捋一下這些概念，備忘。先驗概率僅僅依賴於主觀上的經驗估計，也就是事先根據已有的知識的推斷，先驗概率就是沒有經過實驗驗證的概率，根據已知進行的主觀臆測。如拋一枚硬幣，在拋之前，主觀推斷p 正面朝上 0.5。後驗概率...