机器学习--朴素贝叶斯（Naive Bayes）
概率图模型：
概率图，概率和图的相结合，那么它构建了一副什么样的图呢？
用观测点表示观测到的数据，隐含点表示潜在的知识，用边来描述知识和数据之间的相互关系，最后基于一个这样的关系图，获得一个概率分布。
概率图的节点分为观测节点和隐含节点，边分为有向边和无向边，节点呢就代表随机变量，边代表随机变量的相关关系，其中有向边表示单向依赖，无向边表示双向的依赖。
概率图模型主要分为两类：
贝叶斯网络，马尔可夫网络
区别：贝叶斯网络可以用有向图结构表示，而马尔可夫网络可以表示一个无向图表示
准确的来说：概率图模型包括了朴素贝叶斯，最大熵模型，隐马尔可夫模型，条件随机场模型，主题模型等等。
首先会了这三个公式这节课就全会了，下面三个是三个公理，注意不是定理，什么是公理？
就是这个定义是不存在的，我们假设他是正确的，然后需要我们是有个定理去证明它确实是正确的。
1.0<=p(A)<=1
2.p(True) = 1 , p(False) = 0
3.p(A) + p(B) - p(A and B) = p(A or B)
P(A|B) = P(A,B)/P(B) 这个公式也就是说B条件发生的情况下，A条件的概率
P(A,B) = P(A|B)*P(B) 这个公式代表的是说A和B的联合概率就等于B的条件概率乘以B的概率
求P(a,b,c)=?
P(a|b,c)*P(b|c)*P(c)
P(A|B) = P(A) if A⊥B
P(A,B) = P(A) * P(B)
贝叶斯模型，也是属于概率图模型的，属于有向图模型
那么这里边的动机是什么呢？
比如有N个变量X1，X2.......Xn
如果知道x1到xn的联合分布P(X1....Xn)那么我们就可以回答任何问题
比如说我们就会知道P(Xi)的概率，也可以知道P(Xi|Xj)的概率，那么我们最终的目的就是想知道这个联合分布，那么但是如果我们通过对每个概率进行计算然后建模的话，复杂度会特别的高，因此呢需要找到一种有效的更好的方式对模型进行建模。
例子：为什么会时间复杂度很高
那么概率图模型就是想解决这个问题，那么具体他是怎么解决的呢
就是说有没有一种可能，假设变量之间存在某种关系，比如说：x1的取值取决于x2，x2又取决于x3，x1又取决于x3。以一种图的形式来对它进行建模，这种图就是有向无环图。
举例：
那么概率图模型有什么样的好处？
可以将储存空间瞬间以指数形式降低。
那么现在知道了贝叶斯网络之后，同样最终的应用是不是仍然实在求解问题上，比如说
要求p(s=1)的概率，那么使用最最笨的方法就是，查左边的表，然后将s=1的情况全部加起来除以1，这个是很麻烦的为什么这么说呢，因为这必须站在上帝视角去看这件事情，因为现实生活中表肯定不会是最全的，然后还需要对表后边的一个概率进行一个计算：
然后我们说这样算是比较麻烦的因此来说呢，就使用下边的方式对上述的全概率进行展开，这样是不是就由原来的15项，变成了现在的9项。
怎么求？硬求：
但是还有点麻烦，这时候再去优化，动态优化。
朴素贝叶斯
其实朴素贝叶斯就是概率图模型
朴素贝叶斯就是简单的概率图模型，原理就是利用贝叶斯公式当中，根据某特征的先验概率，计算其后验概率，然后选择后验概率得到所属的类。
朴素贝叶斯又做了一个假设，就是说假设每个特征之间都是相互独立的，那么P(联合分布)=p1*p2.......pn。
接着先看一下全概率公式：
这时候结合前边公式看一下：
P(A):就是先验概率，在B事件发生之前，我们对A事件进行了一个统计判断。
P(A|B):就是后验概率，在B事件发生之后，我们对A事件进行了重新的评估。
