關於貝葉斯算法，我想作為碼農一定大家都不陌生了，畢竟有句話說的好：不認識貝葉斯的碼農不是一個好碼農！
但是你對貝葉斯算法究竟又瞭解多少呢？今天，小編和大家分享一些貝葉斯算法的知識，希望可以幫到大家也希望大家多多提出意見改進！
貝葉斯定理：也稱貝葉斯推理，是關於隨機事件A和B的條件概率（或邊緣概率）的一則定理。其中P(A|B)是在B發生的情況下A發生的可能性。早在18世紀，英國學者貝葉斯(1702～1763)曾提出計算條件概率的核心公式如下圖：
光是看圖你可能就會覺得頭大，搞不清楚所以然，但是我們把它簡單翻譯一下她就變得很簡單啦
P(A丨B)表達為：B這樣的情況，A的可能性
P(B丨A)同理：A這樣的情況，B的可能性
P(A)是A發生的可能性
P(B)是B發生的可能性，其中P(B)=P(B丨A)P(A)+P(B丨A')P(A')......這個叫做全概率公式
用數學語言翻譯就是：後驗概率=先驗概率*調整因子
公式中對應的代表含義如上，這樣對應計算是不是就會變得容易一些呢？
應用實例：
投資決策
貝葉斯定理用於投資決策分析是在已知相關項目B的資料，而缺乏論證項目A的直接資料時，通過對B項目的有關狀態及發生概率分析推導A項目的狀態及發生概率。如果我們用數學語言描繪，即當已知事件Bi的概率P（Bi）和事件Bi已發生條件下事件A的概率P（A│Bi），則可運用貝葉斯定理計算出在事件A發生條件下事件Bi的概率P（Bi│A）。按貝葉斯定理進行投資決策的基本步驟是：
1 列出在已知項目B條件下項目A的發生概率，即將P（A│B）轉換為 P（B│A）；
2 繪製樹型圖；
3 求各狀態結點的期望收益值，並將結果填入樹型圖；
4 根據對樹型圖的分析，進行投資項目決策。
吸毒者檢測
貝葉斯定理在檢測吸毒者時很有用。假設一個常規的檢測結果的敏感度與可靠度均為99%，也就是說，當被檢者吸毒時，每次檢測呈陽性（+）的概率為99%。而被檢者不吸毒時，每次檢測呈陰性（-）的概率為99%。從檢測結果的概率來看，檢測結果是比較準確的，但是貝葉斯定理卻可以揭示一個潛在的問題。假設某公司將對其全體僱員進行一次鴉片吸食情況的檢測，已知0.5%的僱員吸毒。我們想知道，每位醫學檢測呈陽性的僱員吸毒的概率有多高？令“D”為僱員吸毒事件，“N”為僱員不吸毒事件，“+”為檢測呈陽性事件。可得
P(D)代表僱員吸毒的概率，不考慮其他情況，該值為0.005。因為公司的預先統計表明該公司的僱員中有0.5%的人吸食毒品，所以這個值就是D的先驗概率。
P(N)代表僱員不吸毒的概率，顯然，該值為0.995，也就是1-P(D)。
P(+|D)代表吸毒者陽性檢出率，這是一個條件概率，由於陽性檢測準確性是99%，因此該值為0.99。
P(+|N)代表不吸毒者陽性檢出率，也就是出錯檢測的概率，該值為0.01，因為對於不吸毒者，其檢測為陰性的概率為99%，因此，其被誤檢測成陽性的概率為1-99%。
P(+)代表不考慮其他因素的影響的陽性檢出率。該值為0.0149或者1.49%。我們可以通過全概率公式計算得到：此概率 = 吸毒者陽性檢出率（0.5% x 99% = 0.00495)+ 不吸毒者陽性檢出率（99.5% x 1% = 0.00995)。P(+）=0.0149是檢測呈陽性的先驗概率。用數學公式描述為：
根據上述描述，我們可以計算某人檢測呈陽性時確實吸毒的條件概率P(D|+)：
P(D|+) = P(+|D)P(D)/(P(+|D)P(D)+P(+|N)P(N))=0.99 *0.005/0.0149=0.332215
儘管我們的檢測結果可靠性很高，但是隻能得出如下結論：如果某人檢測呈陽性，那麼此人是吸毒的概率只有大 約33%，也就是說此人不吸毒的可能性比較大。我們測試的條件（本例中指D，僱員吸毒）越難發生，發生誤判的可能性越大。
但如果讓此人再次複檢（相當於P(D)=33.2215%，為吸毒者概率，替換了原先的0.5%），再使用貝葉斯定理計算，將會得到此人吸毒的概率為98.01%。但這還不是貝葉斯定理最強的地方，如果讓此人再次複檢，再重複使用貝葉斯定理計算，會得到此人吸毒的概率為99.8%（99.9794951%）已經超過了檢測的可靠度。
其他應用
閱讀更多 咱小二 的文章
