贝叶斯公式机器学习（贝叶斯公式原理）

贝叶斯定理直观解释

贝叶斯定理直观解释如下：贝叶斯定理是概率论中的一个重要定理，用于计算在已知某些先验条件下，某事件的后验概率。它由英国数学家托马斯·贝叶斯在18世纪提出，并在19世纪由皮埃尔-西蒙·拉普拉斯进一步发展。贝叶斯定理在统计学、机器学习、人工智能等领域有广泛应用。

用可视化的面积展示看起来会更直观一些：从上图可知， 蓝色的面积/（蓝色+黄色+绿色中属于阳性）的面积， 就是我们要的答案。贝叶斯定理本质上是一个很简单的规则：当你收到新的论据（B）时， 它会用来改变你对某个假设的信任度。

贝叶斯定理是关于 随机 事件A和B的 条件概率 （或 边缘概率 ）的一则定理。其中P（A|B）是在B发生的情况下A发生的可能性。再来一个比较直观的，经典例子：两个一模一样的碗，一号碗有30颗水果糖和10颗巧克力糖，二号碗有水果糖和巧克力糖各20颗。

善用贝叶斯公式做决策

1、贝叶斯公式想要阐述的意义是：新信息出现后， A事件的概率＝A事件本身的概率 x 新信息带来的调整。简而言之， 就是 看到新的证据后， 更新想法。新信息在贝叶斯公式中， 代表著已知条件。

2、贝叶斯决策论（Bayesian decision theory）是概率框架下实施决策的基本方法。其核心思想建立在贝叶斯定理之上。关于贝叶斯公式的理解有多种说法，其中 “执果寻因” 是我个人比较偏好的一种理解，也就是说把 看作 的因，把 看作 的果。

3、意识形态分子&超级预测者 ： 意识形态分子：相信宏大的，不细化因果，极度自信 超级预测者：利用分析工具，善用贝叶斯推理，转化思维方式，不信任第一感觉。人类充满偶然性而非必然性。不相信宿命。强调 思想自由，言论自由。 4大理想：科学界发现的重要概念： 熵，进化，信息。

机器学习的算法原理是什么?

1、机器学习的原理是通过算法来处理数据，从而让计算机自动学习并改进模型，以便更好地预测结果。机器学习的工作原理是模仿人类的学习方式。机器识别数据模式，并根据其编程方式来处理某些类型的数据来确定操作。监督学习是一种机器学习，其中放入模型中的数据被“标记”。

2、每个决策节点用不同的图形表示：根节点用黑色多边形标记，内部节点是粉色菱形，叶节点则用绿色或红色区分，特征值用天蓝色矩形框起来。妮梅的故事中，她的决策树由三个基本树桩构成，每个树桩代表一个独立的决策步骤。

3、所以回归平均其实就是一个简单的统计现象，本质原因是小概率事件不会一再发生 —— 这里面并没有什么神秘力量。 所谓reason，是说对这件事的解释。比如你问我某个电影的续集为什么票房不高，我说这是回归平均，这个事儿有一个解释。 而cause，则是导致这件事的另一件事。

4、机器学习的本质是找到一个功能函数，这个函数会根据我们的输入，返回一个结果。机器学习是人工智能的一个子集。这项技术的主要任务是指导计算机从数据中学习，然后利用经验来改善自身的性能，不需要进行明确的编程。

5、德雷克斯勒算法是一种基于神经网络的无监督学习算法，其基本原理是通过构建多层的神经网络模型，实现对数据的特征提取和分类。德雷克斯勒算法的核心是深度置信网络（DeepBeliefNetworks，DBN），它由多层受限玻尔兹曼机（RestrictedBoltzmannMachine，RBM）组成。

朴素贝叶斯

生成与判别：朴素贝叶斯作为生成模型，通过先验和条件概率预测类别，而LR是判别模型，直接给出预测。优缺点对比：朴素贝叶斯在小样本数据上表现优异，但计算复杂度高；LR则以准确性见长，但对大数据场景更适用。

朴素贝叶斯朴素的原因如下：朴素贝叶斯基于贝叶斯定理，使用概率模型进行分类。它假设每个输入特征是独立的，即特征之间没有相互作用。这一假设在许多实际情况下并不成立，但这种朴素假设使得模型易于理解和实现。朴素贝叶斯分类器还假设每个输入特征的概率分布是高斯分布（正态分布）。

朴素贝叶斯法的基本假设是条件独立性。其相关解释如下：这个假设是朴素贝叶斯法的基础，因为它使得朴素贝叶斯法在处理大量特征时能够保持高效和简洁。如果这个假设不成立，那么朴素贝叶斯法就不能正确地预测类别，因为它会错误地认为每个特征的贡献是相互独立的。

贝叶斯决策论及贝叶斯网络

贝叶斯网络的用途是用于建模和推理不确定性问题。贝叶斯网络是一种概率图模型，由一组节点和有向边组成，用于表示随机变量之间的依赖关系。节点表示随机变量，有向边表示条件依赖关系。通过贝叶斯网络，可以方便地计算联合概率分布、条件概率分布等，从而进行推理和决策。

贝叶斯网络本身是一种不定性因果关联模型。贝叶斯网络与其他决策模型不同，它本身是将多元知识图解可视化的一种概率知识表达与推理模型，更为贴切地蕴含了网络节点变量之间的因果关系及条件相关关系。贝叶斯网络具有强大的不确定性问题处理能力。

贝叶斯决策理论方法是统计模型决策中的一个基本方法，其基本思想是：已知类条件概率密度参数表达式和先验概率。利用贝叶斯公式转换成后验概率。根据后验概率大小进行决策分类。他对统计推理的主要贡献是使用了逆概率这个概念，并把它作为一种普遍的推理方法提出来。

贝叶斯理论是处理不确定性信息的重要工具。作为一种基于概率的不确定性推理方法，贝叶斯网络在处理不确定信息的智能化系统中已得到了重要的应用，已成功地用于医疗诊断、统计决策、专家系统等领域。这些成功的应用，充分体现了贝叶斯网络技术是一种强有力的不确定性推理方法。

贝叶斯网络本身是一种不定性因果关联模型。贝叶斯网络与其他决策模型不同，它本身是将多元知识图解可视化的一种概率知识表达与推理模型，更为贴切地蕴含了网络结点变量之间的因果关系及条件相关关系。贝叶斯网络具有强大的不确定性问题处理能力。

朴素贝叶斯分类器到贝叶斯网络：分类，是决策的基础，商业中要根据收集客户的消费特征将客户分类从而精准营销。 金融中你要根据一些交易行为的基本特征将交易者做分类。 从贝叶斯分析的基本思路出发我们可以迅速得到几种分类器。