贝叶斯在机器学习中的应用（一）
一：前提知识
具备大学概率论基础知识
熟知概率论相关公式，并知晓其本质含义/或实质意义
二：入门介绍
先验概率：即正向求解概率。 如：四个红球，两个白球，从中任取一个为白球的概率
后验概率：即逆向求解概率。如：红球的次品率为30%，白球的次品率为10%，现在袋子中的白球与红球的数量比是3：1。抽取一个球为次品，问这个次品为红球的概率
这里就用到了贝叶斯公式。其中在使用贝叶斯公式，一般离不开全概率公式
三：与机器学习的联系
分类学习。通常的分类器是有监督的学习，即有由大量样本组成的训练集和每个样本对应的标签（类别信息）。
在大量的数据之下，容易根据样本的特征的概率值来判断该样本属于哪一类。
例如：训练集： 有10000个人，其中人的属性有两个，x1为年龄，x2为身高。标签即分类信息有：小学，中学
训练的过程是： 求类 小学 的情况下 各个年龄和身高出现的概率
求类 中学 的情况下 各个年龄和身高出现的概率
此时训练已经结束
预测过程： 给定一个样本：一个人 年龄已知，身高已知；预测其是小学生还是高中生
那么只需要计算他是小学生的概率大还是高中生的概率大即可
计算方法：在整个训练集中小学生的概率*在小学生的情况下该样本身高值在训练集中的概率*在小学生的情况下该样本年龄值在训练集中的概率
同理计算中学生，再比较两个值的大小
四：详细公式介绍及原理说明见下章