Bayes过滤器 和 Bayes分类器
Bayes过滤器
贝叶斯推断及其互联网应用(一)
http://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_one.html
贝叶斯推断及其互联网应用(二)
http://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_two.html
难点:
1. P(E1)=P(S|W1)P(S|W2)P(S)怎么来的:
1.1 参见文章——数学(概率)/联合概率
P(E1)事实上是个后验概率,而P(E1)=P(S|W1)P(S|W2)P(S)基于两个假设——
S|W1, S|W2, S 两两独立,且交换变量"y"/"n"后概率相同。
另外,关于"联合概率分布":http://www.hudong.com/wiki/%E8%81%94%E5%90%88%E6%A6%82%E7%8E%87%E5%88%86%E5%B8%83
1.2 相互独立事件
定义
相互独立事件(independent events): 事件A(或B)是否发生对事件B(A)发生的概率没有影响,这样的两个事件叫做相互独立事件。
相互独立事件同时发生的概率P(A*B) =P(A) *P(B)
推广
n个事件A1、A2、……An,
P(AiAj)=P(Ai)*P(Aj);1≤i<j≤n
P(AiAjAk)=P(Ai)*P(Aj)*P(Ak);1≤i<j<k≤n
P(AiAjAkAl)=P(Ai)*P(Aj)*P(Ak)*P(Al);1≤i<j<k<l≤n
…………
P(A1A2A3……An)=P(A1)*P(A2)*P(A3)*……P(An)
当以上式子全部成立,可称为事件A1、A2、……An相互独立
2. P=P(E1)/(P(E1)+P(E2))怎么来的:
--------------------------------------------
Bayes分类器
http://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html