貝葉斯定理的推導始于條件概率。條件概率可以定義為：在事件 B 發生的前提下，事件 A 發生的概率。數學上用 P（A/B）來表示該條件概率。數學定義為：
P(A/B)=P（A交集B）/P（B）
這個公式的白話解釋為：“當 B 發生前提下 A 發生的概率”等于“A 和 B 同時發生的概率”除以“B 發生的概率”。
由此可知 ?
這個公式的白話解釋為：“當 B 發生前提下 A 發生的概率”等于“A 和 B 同時發生的概率”除以“B 發生的概率”。
下面我們將貝葉斯定理應用于有監督的分類場景。令 [公式] 代表一個 [公式] 維特征向量（它代表著一組特征，即 features），這些特征用來描述一個物件； [公式] 代表該物件所屬的類別。分類的目的是找到 [公式] 和 [公式] 之間的映射關系，從而計算出 [公式] ，即當待分類的物件具備 [公式] 這些特征時，它屬于 [公式] 類的條件概率。
具體的，假設類別的個數為 [公式] （即 [公式] 的取值有 [公式] 個），那么對于每一個可能的取值（記為 [公式] ， [公式] ），我們需要根據給定的特征 [公式] 計算出概率 [公式] 。然后，只要從所有的 [公式] 中挑出取值最大的概率對應的 [公式] 作為最有可能的分類即可。
uj5u.com熱心網友回復：
筆記請放到個從博客， 謝謝轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/103309.html
標籤：非技術版
上一篇：查找
下一篇：樸素貝葉斯演算法