贝叶斯乱弹

贝叶斯乱弹

贝叶斯分类乱弹

基本思想：

为最小化总体风险，只需要在每个样本上选择那个能够使条件风险最小的类别标记。

目标：选择一个判定准则h，以使得总体风险最小。

先验概率*可能性函数=后验概率

若可能性函数大于1则增强概率，若可能性函数小于1则降低概率

统计学：样本归纳总体，统计推断就是对很多事件作出一个概率模型的假设，然后用样本对于这些概率模型的参数进行推断。

概率学：总体对样本进行预测

如这个题的例子：可以将这个事件的模型确定为二项分布，需要估计二项分布的参数，列出需要优化的目标函数P（X；P），这个函数表明该事件发生的概率。我们需要使得这个目标函数取最大值，于是求导得出p=0.7时取最大值，符合直觉。

这也就是极大似然估计的思想：先假定其具有某种确定的概率分布形式，再基于训练样本对概率分布参数估计

概率模型的训练过程就是参数估计过程

拉普拉斯修正（分子加1即可，分母需要根据计算情况加上类别数）

EM算法（主要针对模型中存在隐变量的情况）

未观测的变量称为隐变量（如西瓜已经脱落的根蒂，无法看出是蜷缩还是坚挺，则训练样本的根蒂属性值未知）

当参数 theta 已知 －> 根据训练数据推断出最优隐变量 Z的值(E步)

当Z已知 －> 对 theta做极大似然估计(M步)

感觉EM算法直觉上还好理解，但是数学证明上确实挺难，感觉这是一个，两个参数互相估计然后不断收敛的过程。

但是在这种情况下估计P1，P2的概率就会要难很多。

这时可以看做多了一个隐变量z，可以看做向量{Z1,Z2,Z3,Z4,Z5}，必须要先估计出是硬币一还是硬币二才能去求出丢出正反面的概率

所以，我们可以初始化P1,P2然后按照最大似然估计，估计出Z，然后根据Z再利用最大似然估计就可以估计出P1,P2然后不断迭代。