關鍵詞： 條件概率(conditional probabilities), 貝葉斯規則(Baye's rules)，全概率(Total probability Theorem)

參考資料： MOOC學堂在線-概率論， 阮一峰的日志《貝葉斯推斷及其互聯網應用（一）：定理簡介》

?

前幾個周把抱著瀏覽的心態在P5的前三個算法給看了一遍，但沒有理解多少，今天拿著《機器學習》的書，認真的進行了學習，發現貝葉斯統計其實很好理解。簡單做一個整理。

先從一個讓我產生頓悟的例子講起，來自概率論課程中

A radar example- 雷達問題

?

先從一個最經典的例子入手（我第一次看的時候完全沒搞懂，今天重新講講）——假陽性問題

?

?

?

條件概率不是theorem 而只是一個definintion，是不同概率值的相互比率關系，目的在于根據新的信息作出再判斷。當看到樹形結構圖時，便聯想到了決策樹模型，當你對一個屬性進行判斷之后，你

就默認該屬性是存在的（或者說是已經成立的），在這個判斷的基礎上，你會再深入到其下的子節點進行下一步的計算和判斷，而條件概率就是為了判斷這進一步的推斷。

計算公式：

?

?

轉載于:https://www.cnblogs.com/kong-xy/p/6666543.html

總結

以上是生活随笔為你收集整理的优达学城数据分析师纳米学位——P5项目知识点整理贝叶斯规则的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。