后验概率的意义,全概率公式和贝叶斯公式及其含义 _生活百科

"贝叶斯分类器"有什么实际意义? 是做什么用的?

文章插图
贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。目前研究较多的贝叶斯分类器主要有四种，分别是：Naive Bayes、TAN、BAN和GBN 。
贝叶斯网络是一个带有概率注释的有向无环图，图中的每一个结点均表示一个随机变量,图中两结点间若存在着一条弧，则表示这两结点相对应的随机变量是概率相依的，反之则说明这两个随机变量是条件独立的。网络中任意一个结点X 均有一个相应的条件概率表(Conditional Probability Table，CPT)，用以表示结点X 在其父结点取各可能值时的条件概率。若结点X 无父结点,则X 的CPT 为其先验概率分布。贝叶斯网络的结构及各结点的CPT 定义了网络中各变量的概率分布。
贝叶斯分类器是用于分类的贝叶斯网络。该网络中应包含类结点C，其中C 的取值来自于类集合( c1 , c2 , ... , cm)，还包含一组结点X = ( X1 , X2 , ... , Xn)，表示用于分类的特征。对于贝叶斯网络分类器，若某一待分类的样本D，其分类特征值为x = ( x1 , x2 , ... , x n) ，则样本D 属于类别ci 的概率P( C = ci | X1 = x1 , X2 = x 2 , ... , Xn = x n) ，( i = 1 ,2 , ... , m) 应满足下式：
P( C = ci | X = x) = Max{ P( C = c1 | X = x) , P( C = c2 | X = x ) , ... , P( C = cm | X = x ) }
而由贝叶斯公式：
P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x)
其中，P( C = ci) 可由领域专家的经验得到,而P( X = x | C = ci) 和P( X = x) 的计算则较困难。
应用贝叶斯网络分类器进行分类主要分成两阶段。第一阶段是贝叶斯网络分类器的学习，即从样本数据中构造分类器，包括结构学习和CPT 学习；第二阶段是贝叶斯网络分类器的推理，即计算类结点的条件概率，对分类数据进行分类。这两个阶段的时间复杂性均取决于特征值间的依赖程度，甚至可以是NP 完全问题，因而在实际应用中，往往需要对贝叶斯网络分类器进行简化。根据对特征值间不同关联程度的假设，可以得出各种贝叶斯分类器，Naive Bayes、TAN、BAN、GBN 就是其中较典型、研究较深入的贝叶斯分类器。
豪雅的潜水表防水300米500米有何意义？如何验证

文章插图
贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。也就是说，贝叶斯分类器是最小错误率意义上的优化。
全概率公式和贝叶斯公式及其含义

文章插图
1）全概率公式P(B)=ΣP(Ai)P(B|Ai) 。含义：利用全概率公式求事件B的概率，关键是寻求完备事件组A1，A2，An，且P(Ai)和P(B|Ai)为已知或容易求得，寻求完备事件组相当于找导致事件B发生的所有互不相容的事件。2）贝叶斯公式P(Ai|B)=[图片] ,i=1,2,…,n 。在贝叶斯公式中，事件Ai的概率P(Ai),i=1,2,…,n,通常是人们在实验之前对Ai认知，习惯上称为先验概率，若试验后事件B发生了，在这种信息下考查Ai的概率P(B|Ai),i=1,2,…n，它反映了导致事件B发生的各种可能性大小，常称为后验概率。
搞不清概率分布函数和概率密度函数不知道做题该用哪一个（请不要光给我概念我不想看）比如（x）=a F（x）=b 求p=代入f（x）还是F（x）纠结啊