自学内容网 自学内容网
自学内容网 > 正文

【Python机器学习】朴素贝叶斯——条件概率

🕗 发布于 2024-07-27 07:40 机器学习  概率论  人工智能  算法  

条件概率

假设现在有一个装了7块石头的罐子（3块灰色，4块黑色），如果从中随机取出一块，灰色的可能性就是3/7，黑色的可能性是4/7。我们使用p(gray)来表示取到灰色石头的概率，其概率值可以通过灰色石头数目除以总的石头数目来得到。

如果石头放在两个桶中，其中A桶中2灰2黑，B桶中1灰2黑，那么概率该怎么计算？要计算P(gray)或者P(black)，事先得知道石头所在桶的信息会不会改变结果？我们可以想到计算从B桶中取到灰色石头的概率的办法，这就是所谓的条件概率。

假定计算的是从B桶取到灰色石头的概率，这个概率记为P(gray|bucketB)，我们称之为“在已知石头出自B桶的情况下，取出灰色石头的概率”。所以P(gray|bucketA)为2/4，P(gray|bucketB)为1/3。

条件概率的计算公式如下：

P(gray|bucketB)=P(gray and bucketB)/P(bucketB)。

另一种有效计算条件概率的方法被称为贝叶斯准则。贝叶斯准则告诉我们如何交换条件概率中的条件与结果，即如果已知P(x|c)，要求P(c|x)，那么可以使用下面的计算方法：

p(c|x)=\frac{p(x|c)p(c)}{p(x)}

使用条件概率来分类

我们可以使用贝叶斯准则来交换概率中的条件与结果。具体的，应用贝叶斯准则得到：

p(c_{i}|x,y)=\frac{p(x,y|c_{i})p(c)}{p(x,y)}

使用这些定义，可以定义贝叶斯分类准则为：

如果P(c_{1}|x,y)>P(c_{2}|x,y)，那么属于类别c_{1}；

如果P(c_{1}|x,y)<P(c_{2}|x,y)，那么属于类别c_{2}。

使用贝叶斯准则，可以通过已知的三个概率值来计算未知的概率值。


原文地址：https://blog.csdn.net/weixin_39407597/article/details/140725233

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

相关文章

自学内容网
Copyright © 2015-2024