bayes公式

bayes公式与机器学习 - 再从零开始理解

从本科时候（大约9年前）刚接触Bayes公式，只知道P(A|B)×P(B) = P(AB) = P(B|A)×P(A)

到硕士期间，机器学习课上对P(B|A)P(A)冠以“先验概率”，而不知“先验”二字到底从何而来。

再到工作了几年之后重回校园，重新拾起对求知的热情，重新用向小白讲述Bayes公式的态度，让自己对它有最朴素的理解。尽量让像我一样刚入门的小白同学们，能用生活中最朴素的例子找到bayes公式中，“先验”二字的由来。

要理解bayes公式，需从全概率公式讲起：

[P(A_i|B)=frac {P(B|A_i)P(A_i)}{displaystylesum_{j=1}^nP(B|A_j) imes P(A_j)} ]

其中的全概率公式：

[displaystylesum_{j=1}^nP(B|A_j) imes P(A_j) = P(B) ]

这里，可理解：
(A_j ightarrow Class_j) (这是你样本可能从属的类别)
$B ightarrow Events space or space Data $ (这是你看到的样本的表象)

2.进一步理解

2.1 设有一幅扑克牌（这是一种等概率的情况）

摸到一张J,想知道它属于♥️这一类的概率。
这里，A是现象，是观察到的属性。♥️，♣️，♦️，♠️是对所有除了大王小王外的扑克牌的四个类别。
任务就是要根据现象J，对这张牌进行归类，求这张牌属于♥️这一类的概率。

[P(A|B) ext{就是看到J的情况下，属于} heartsuit ext{的概率} ]

这是我们要求的量。

[P(A|B)=frac {P(B|A)P(A)}{P(B)} ]

(P(B|A)) - 在已知♥️的牌中，有几个J,显然，1/13

(P(A)) - 在整副牌中，红桃出现的概率：13/54

(P(B)) - 在整副牌中，J出现的概率：4/54
这里这个P(B)可以是如下公式计算的：

[displaystylesum_{j=1}^nP(B|A_j) imes P(A_j) = P(B) ]

即，(A_j)代表的是♥️，♣️，♦️，♠️中的某一个类别。例如，j=1， 我们认为是♥️，则，P(B|A1) = 1/13
P(A1) = 13/54
此时，

[P(B|A_1) imes P(A_1) = frac1{13} imes frac {13}{54} = frac{1}{54} ]

当 j = 1,2,3,4 时，由于这里每个
$
P(B|A_j)
$
都是相等的，所以

[P(B) = 4 imes frac{1}{54} = frac{4}{54} ]

所以，上面的P(A|B) 就能算出来了。因为P(B|A) ，P(A) ，P(B)都知道了。

以上是一个等概率的问题。更一般地，我们要用Bayes公式解决不等概率、根据观察对对象进行分类的问题。

2.2 设有三棵橘子树（这是更一般的场景）

有甲乙丙三颗橘子树，到了秋收的季节，老农对他们进行采摘。
第一年：

• 甲橘子树出来的果子多数都偏红，口感好。
• 乙橘子树出来的果子多数都普通，口感一般。
• 丙橘子树出来的果子多数都偏黄，口感不好。

果农从此知道P(A), P(A|B), P(B)

第二年：
       新来的果农和老农一起工作，他们拿起一个橘子，要判断这个果子出自甲乙丙三棵果树里的哪一棵。

找一个案例编程实现

1. 用Bayes公式完成分类任务的例子

todo.. (网上的例子很多了，就不知道何时来todo了，呵呵)