在简书的第一篇博客、作为总结机器学习的开始，网上已经有了很多关于贝叶斯公式以及朴素贝叶斯的资料，但我还是想自己记录一下自己学习过程中的一些要点。

一 贝叶斯公式：

在学习贝叶斯公式之前，先了解几个定义:

1.边缘概率(又称先验概率): 某个事件发生的概率。边缘概率是这样得到的：在联合概率中，把最终结果中那些不需要的事件通过合并成它们的全概率，而消去它们（对离散随机变量用求和得全概率，对连续随机变量用积分得全概率），这称边缘化，如事件A的边缘概率为P(A)，B的边缘概率表示为P(B)。

2.联合概率：表示为两个事件共同发生的概率。A与B的联合概率表示为P(AB)或者P(A，B)。

3.条件概率(又称为后验概率)：事件A在另外一个事件B已经发生的情况下发生的概率。条件概率表示为P(A|B)，表示为在B条件下A的概率。

贝叶斯公式：

在网上发现一个比较恰当例子来解释这个公式:

有甲、乙两条生产线，甲生产线的产品合格率为90%，乙生产线的产品合格率为95%，两条生产线的生产量占比分别为30%和70%，现在发现了一件不合格品，判断这个不合格品是甲生产线生产出来的概率？ 假设现在生产出来的产品总量为1000个，如图中所示，甲乙生产线的产量分别是300和700个，则不合格品分别为30和35个

现用A表示生产不合格品事件, B1、B2分别表示甲乙两条生产线

推导:

不合格品总数 = 甲不合格数量 + 乙不合格数量 = 总产量X甲产量占比X甲不合格率 + 总产量X乙产量占比X乙不合格率 = 总产量XP(B1)XP(A|B1) + 总产量XP(B2)XP(A|B2)

得到: 

假设为n条生产线则有: 

单变量条件概率推导

根据条件概率的定义，在事件B发生的条件下事件A发生的概率为：

事件A发生的条件下事件B的概率为：

综合上述两个式子得到:

二 朴素贝叶斯

先简单介绍几个名词的概念

朴素贝叶斯：NaiveBayes

朴素：特征条件独立

贝叶斯：基于贝叶斯定理

属于监督学习的生成模型，实现简单，并没有迭代，有贝叶斯理论作为支撑。

我们先看一个例子然后在看理论

（1）病人分类

某个医院早上收了六个病人，如上图，现在又来了第七个病人，是一个身上发热的建筑工人，请问他换上感冒的概率有多大？

根据贝叶斯定理：

假设“发热”和“建筑工人”这个两个属性是独立的，因此，上式可化为

通过已有数据可算出上式结果为0.66,因此这个发热建筑工人有0.66的概率得了感冒。同理可以算出这个病人患上过敏或脑震荡的概率。比较这几个概率得到最大值，可以知道他最有可能得什么病

（2）理论

这段内容来自韩家炜先生的书《数据挖掘：概念与技术》第351页：

解释下,其中训练元组可以理解为训练的样本，上文例子中每一个病人样本，x1~xn可以表示为n个属性,A1~An可以理解为属性值,C1~Cn可以理解为有多少种疾病分类,其中的不等式表示求该算式最大值,继续看书有

可以看到一个关键的要点,为了计算P(X|Ci)假设类条件独立的朴素嘉定，对应我们在病人分类的例子里计算概率所使用的方法，假设条件独立后，计算复杂度降低了几个数量级，同时根据样本计算独立的概率还是很容易的，这也是朴素贝叶斯的由来，可以说贝叶斯和朴素贝叶斯的最大区别就在‘朴素’上即条件独立，引入朴素贝叶斯的目的是为了降低计算量