文献综述（或调研报告）：
1、贝叶斯法则
在机器学习中，通常我们感兴趣的是在给定训练数据D时，确定假设空间H中的最佳假设。所谓最佳假设，一种办法是把它定义为在给定数据D以及H中不同假设的先验概率的有关知识下的最可能假设。贝叶斯理论提供了一种直接计算这种可能性的方法。
我们用P(h)来代表在没有训练数据前假设h拥有的初始概率，常被成为先验概率（prior probability）。用P(D)代表将要观察的训练数据D的先验概率。以P(D|h)代表假设h成立的情形下观察到数据D的概率。在机器学习中，我们感兴趣的是P(h|D)，即给定训练数据D时h成立的概率，称为后验概率（posterior probability），它反映了在看到训练数据D后h成立的置信度。
贝叶斯法则提供了从先验概率P(h)以及P(D)和P(D|h)计算后验概率P(h|D)的方法：
2、朴素贝叶斯
朴素贝叶斯分类器应用的学习任务中，每个实例x可由属性值的合取描述，而目标函数f（x）从某个有限集合V中取值。学习器被提供一系列关于目标函数的训练样例以及新实例，然后要求预测新实例的目标值。
贝叶斯方法的新实例分类目标是在给定描述实例的属性值下，得到最可能的目标值。
可使用贝叶斯公式将此表达式重写为：
朴素贝叶斯分类器基于一个简单的假定：在给定目标值时属性值之间相互条件独立。说明在给定实例的目标值情况下，观察到联合的的概率等于每个单独属性的概率乘积：
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
