7.3.4 朴素贝叶斯方法.pdf

机器学习 北京联合大学机器人学院 《人工智能概论》课程团队 朴素贝叶斯方法 讲解：彭涛 贝叶斯定理 贝叶斯 (Thomas Bayes ，1701—1761) ，英国牧师、 业余数学家。 在《论机会学说中一个问题的求解》中给出了贝 叶斯定理。 贝叶斯公式     |   P A P B A P B A ,     P A |B P A | B     P B P B 解决了两个事件条件概率的转换问题 先验概率 ：由以往的数据分析得到的概率 后验概率 ：得到“结果”的信息后重新修正的概率 贝叶斯定理是基于假设的先验概率、给定假设下观 察到不同数据的概率，提供了一种计算后验概率的 方法。 在人工智能领域，贝叶斯方法是一种非常具有代表 性的不确定性知识表示和推理方法。 贝叶斯公式 P(A) 是A 的先验概率 （边缘概率） P(B) 是B 的先验概率 （边缘概率） P(A|B) 是已知 B 发生后 A 的条件概率，由于 得自B的取值而被称为A的后验概率 P(B|A) 是已知 A 发生后 B 的条件概率，由于 得自A 的取值而被称为B的后验概率 贝叶斯公式 条件概率 P(A|B) 表示事件B 已经发生的前提下，事件A发 生的概率，叫做事件B发生下事件A 的条件概率。 求解公式：   P AB   P A | B   P B 贝叶斯公式         P AB P A | B P B P B | A     P A P A 贝叶斯公式       P AB P A | B P B   P B | A     P A P A 考虑使用贝叶斯公式来进行文本分类 A ：文本的内容，近似等价于文本包含的词的集合 B ：文本的类别 (|) ：根据文本的内容来判断文本的类别 找出各类别概率的最大值 (|) ：已知类别的文本中词出现的概率 () ： 词的先验概率（与文本类