贝叶斯算法公式

概念：如果一个事件的结果不影响另一事件的结果，那么这两个事件是独立事件。反之，这两个事件称为非独立事件。两个事件如果不可能同时发生，那么这两个事件是互斥事件。

一、乘法公式(联合概率)

公式一：

引申1：P(AB) 表示 事件A 和B都发生的的概率，也可以表示 P(A and B) 或 P(A ∩ B)由此等价于 事件B和A同时发生的概率，得出下列公式, 也叫 “乘法交换定律”

公式二：

引申2：P(A|B) 表示条件概率，表示事件B发生的前提下，事件A发生的概率。如果A，B彼此为独立事件，互补影响。则P(A|B) = P（A），可以得出下列特例公式：

公式三：

引申3：根据公式一，公式二可以推导：

公式四：

引申4：当由2个事件扩展到多个事件

公式五：

二、加法公式

对任意两个事件A，B 有

公式六：

如果 AB为互斥(互不相容)事件，即A发生的话，B不会发生AB=Ф，则 P(AB) = 0

公式七：

扩展到多个事件的加法公式:

公式八：

三、条件概率

设A,B是两个事件，且P(B)>0,则在事件B发生的条件下，事件A发生的条件概率（conditional probability)为：

公式九:

四、全概率

设 B1,B2,…是样本空间B一个划分，B1，B2，…. 是彼此互斥事件，A为任一事件，则：即 满足：

1. B1，B2…. 两两互斥，即 Bi ∩ Bj = ∅ ，i≠j ， i,j=1，2，….，且P(Bi)>0,i=1,2,….;
2. B1∪B2∪….= B ，则称事件组 B1,B2,…是样本空间B 的一个划分

公式十:

全概率公式的意义在于，当直接计算P(A)较为困难,而P(Bi),P(A|Bi) (i=1,2,…)的计算较为简单时，可 以利用全概率公式计算P(A)。思想就是，将事件A分解成几个小事件，通过求小事件的概率，然后 相加从而求得事件A的概率，而将事件A进行分割的时候，不是直接对A进行分割，而是先找到样本 空间Ω的一个个划分B1,B2,…Bn,这样事件A就被事件AB1,AB2,…ABn分解成了n部分，即 A=AB1+AB2+…+ABn, 每一Bi发生都可能导致A发生相应的概率是P(A|Bi)，由加法公式得P(A)=P(AB1)+P(AB2)+….+P(ABn)=P(A|B1)P(B1)+P(A|B2)P(B2)+…+P(A|Bn)P(PBn)。

四、贝叶斯公式（逆概）

与全概率公式解决的问题相反，贝叶斯公式是建立在条件概率的基础上寻找事件发生的原因（即大事件A已经发生的条件下，分割中的小事件Bi的概率），设B1,B2,…是样本空间B的一个划分，则对任一事件A（P(A)>0), 由条件概率推导出：

公式十一：

Bi 常被视为导致试验结果A发生的”原因“，P(Bi)(i=1,2,…)表示各种原因发生的可能性大小，故称先验概率；P(Bi|A)(i=1,2…)则反映当试验产生了结果A之后，再对各种原因概率的新认识，故称后验概率, P(A|B_i) 是该假设下得到这个数据的概率，称为似然度，P(A) 是在任何假设下得到这一数据的概率，称为标准化常量

五、朴素贝叶斯公式

朴素贝叶斯假设各个事件彼此独立，由此根据贝叶斯公式 和 全概率公式推导出推导:

公式十二：

六、朴素贝叶斯分类

假设A表示不同的关键词集合，如{报道，章，学校，秘籍，积分}, 用Ai-n 表示不同的关键词，假设B是不同的文章分类集合，如{教材，武侠小说，新闻}，用Bk-m 表示不同的类型文章。那么P(Ai|Bk) 表示 某个关键词在某类文章中出现的概率。 P(Bk|Ai) 则表示 某个 关键词出现的情况下，可以判断为某类文章的概率, 由贝叶斯公式可以知道:

但是，我们一般并不是指根据一个关键词去判断，而是输入一篇文章，文章里面包含多个关键词，我们需要计算 包含关键词1，关键词2….关键词3出现的情况下，为某类文章的概率: 根据朴素贝叶斯公式推导出：

因为A1 ，A2 ，A3 …. An 为独立事件, 所以 推导出

根据联合概率和独立事件

因此得到：

公式十三：

公式十三表示 文章 属于 Bk类型的概率， 更换 Bk, 会的到其他几类的类型文章概率。取其最大值，则为最可能的文章类别所属为: