1 贝叶斯定理相关公式

• **先验概率P(A)：**在不考虑任何情况下，A事件发生的概率。

• **条件概率P(B|A)：**A事件发生的情况下，B事件发生的概率。

• **后验概率P(A|B)：**在B事件发生之后，对A事件发生的概率的重新评估。

• **全概率：**如果A和A’构成样本空间的一个划分，那么事件B的概率为：A和A’的概率分别乘以B对这两个事件的概率之和。
  

• 基于条件概率的贝叶斯定律数学公式

2 朴素贝叶斯算法

• 朴素贝叶斯(Naive Bayes， NB)是基于“特征之间是独立的”这一朴素假设，应用贝叶斯定理的监督学习算法
• 对应给定的 样本X 的特征向量x₁ ,x₂ ,…,x_m；该 样本X 的 类别y 的概率可以由贝叶斯公式得到：

2.1 朴素贝叶斯算法推导

2.2 朴素贝叶斯算法流程

朴素贝叶斯算法流程/定义如下：

• 设x={x₁ ,x₂ ,…,x_m}为待分类项，其中xi为x的一个特征属性。
• 类别集合为C={y₁ ,y₂ ,…,y_n }。
• 分别计算P(y₁ |x),P(y₂ |x),…,P(y_n |x)的值（贝叶斯公式）。
• 如果P(y_k |x)=max{P(y₁ |x),P(y₂ |x),…,P(y_n |x)},那么认为x为y_k类型。

3 高斯朴素贝叶斯

• Gaussian Naive Bayes是指当特征属性为连续值时，而且分布服从高斯分布，那么在计算P(x|y)的时候可以直接使用高斯分布的概率公式：

• 因此只需要计算出各个类别中此特征项划分的各个均值和标准差。

4 伯努利朴素贝叶斯

• Bernoulli Naive Bayes是指当特征属性为连续值时，而且分布服从伯努利分布，那么在计算P(x|y)的时候可以直接使用伯努利分布的概率公式：
  

伯努利分布是一种离散分布，只有两种可能的结果。1表示成功，出现的概率为p； 0表示失败，出现的概率为q=1-p；其中均值为E(x)=p，方差为Var(X)=p(1-p)。

5 多项式朴素贝叶斯

• Multinomial Naive Bayes是指当特征属性服从多项分布(特征是离散的形式的时候)，从而，对于每个类别y，参数为θy=(θ_y1,θ_y2,…,θ_yn)，其中n为特征属性数目，那么P(x_i|y)的概率为θ_yi。

N_y是总样本个数，n是总的类别个数，N_yi是类别为θ_yi的样本个数，α为平滑值。

当α=1时，称为Laplace平滑，当0<α<1时，称为Lidstone平滑，α=0时不做平滑；平滑的主要作用是可以克服条件概率为0的问题。

6 贝叶斯网络

• 把某个研究系统中涉及到的随机变量，根据是否条件独立绘制在一个有向图中，就形成了贝叶斯网络。
• 贝叶斯网络(Bayesian Network)，又称有向无环图模型(directed acyclic graphical model, DAG)，是一种概率图模型，根据概率图的拓扑结构，考察一组随机变量{X₁ ,X₂ ,…,X_n}及其N组条件概率分布(Conditional Probabililty Distributions, CPD)的性质。
• 当多个特征属性之间存在着某种相关关系的时候，使用朴素贝叶斯算法就没法解决这类问题，那么贝叶斯网络就是解决这类应用场景的一个非常好的算法。
• 一般而言，贝叶斯网络的有向无环图中的节点表示随机变量，可以是可观察到的变量，或隐变量，未知参数等等。连接两个节点之间的箭头代表两个随机变量之间的因果关系(也就是这两个随机变量之间非条件独立)，如果两个节点间以一个单箭头连接在一起，表示其中一个节点是“因” ，另外一个是“果” ，从而两节点之间就会产生一个条件概率值。
• 注意：每个节点在给定其直接前驱的时候，条件独立于其后继。
• 贝叶斯网络的关键方法是图模型，构建一个图模型我们需要把具有因果联系的各 个变量用箭头连在一起。贝叶斯网络的有向无环图中的节点表示随机变量。连接 两个节点的箭头代表此两个随机变量是具有因果关系的。
• 贝叶斯网络是模拟人的认知思维推理模式的，用一组条件概率以及有向无环图对 不确定性因果推理关系建模。

6.1 最简单的一个贝叶斯网络

6.2 全连接贝叶斯网络

每一对节点之间都有边连接：

6.3 “正常”贝叶斯网络

6.4 实际贝叶斯网络：判断是否下雨

有一天早晨，Bruce离开他的房子的时候发现他家花园中的草地是湿的，有两种可能，第一：昨天晚上下雨了，第二：他昨天晚上忘记关掉花园中的喷水器，接下来，他观察他的邻居Joe，发现他家花园中的草地也是湿的，因此，他推断，他家的草地湿了是因为昨天晚上下雨的缘故。

6.5 贝叶斯网络判定条件独立-01

6.6 贝叶斯网络判定条件独立-02

6.7 贝叶斯网络判定条件独立-03