1、人工智能基础-贝叶斯分析大纲贝叶斯定理案例分析大纲贝叶斯定理概率 概率常用来量化对于某些不确定问题有多确定会发生。这种确定的程度可以用0到1之间的数值来表 一个事件 A 的概率可以用 P(A)来表示。样本空间条件概率P(E)其实就是事件E在全集中的概率，可以写作:P(E|)。已知部分信息的条件下 缩小样本空间的问题。123456AB掷骰子：这里A为全集B为A的一个子集如图所示掷骰子问题，在A空间进行的话，得到的结果是4的概率：011/61/3123456AB单选题1分如图所示掷骰子问题，在A空间进行的话，得到的结果是1的概率：011/61/3123456AB单选题1分如图所示掷骰子问题，在B空
2、间进行的话，得到的结果是4的概率：011/61/3123456AB单选题1分如图所示掷骰子问题，在A空间进行的话，得到的结果是1的概率：011/61/3123456AB单选题1分样本空间 计算P(A|B)A 事件在 B 空间发生的概率。计算在B空间中，A发生的概率是多少。ABC样本空间 计算P(A|B)空间中 P(A|B)到底是哪里？B空间中A发生的概率可以对应到全集空间中“A并且B发生的概率”的部分，也就是和 P(AB)有关。ABC样本空间 计算P(A|B)进入B空间。刚才处于全集空间，但是我们计算的是在B空间的情况，那么这一步就要进入B空间了。ABC样本空间 计算P(A|B)以B空间的子集
3、C为例 C空间占B空间的 cb%B空间占全集空间B的 b%ABC样本空间 计算P(A|B)以B空间的子集C为例 C空间占B空间的 cb%B空间占全集空间B的 b%ABC样本空间ABC全概率公式 全集空间划分为 A1,A2,A3,An B的面积完全可以变为B在各个子空间的面积的和。A1BA2A3分而治之 贝叶斯定理贝叶斯定理贝叶斯定理可以理解为确定你到底在哪里的过程。想要知道自己在A3空间的可能性有多大，我们需要更多的证据来判断我们到底在哪里。随着证据的增多，我们观测到B发生了，B在全局发生的概率为P(B)。那么我们在A3的可能性因为有了新的观测数据，需要改写为：P(A3|B)贝叶斯定理贝叶斯定
4、理 根据评论语句分析个人情感为正面评价还是负面评价 一共有100条评论，其中60条是正面的，40条是负面的，则先验概率P(正)=0.6，P(负)=0.4。贝叶斯定理贝叶斯定理开始搜集证据，当情感正面时，出现“YES”，“OK”和“GOOD”的次数分别为10，5和20P(YES正面)=10/60=0.1667,P(OK正面)=5/60=0.0833,P(GOOD正面)=20/60=0.3333使用贝叶斯公式，可以得到P(正面YES OK GOOD)P(YES|正面)P(OK|正面)P(GOOD|正面)P(正面)。贝叶斯定理贝叶斯定理 类似方法计算P(负面YES OK GOOD)，两个后验概率相比，谁大听谁的，“bag-of-words”算法。OKYESGOODBADNOLOW正负
