> For the complete documentation index, see [llms.txt](https://luweikxy.gitbook.io/machine-learning-notes/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://luweikxy.gitbook.io/machine-learning-notes/statistics-and-information-theory/bayes-probability.md).

# 贝叶斯概率

## 贝叶斯概率

* [返回顶层目录](https://luweikxy.gitbook.io/machine-learning-notes/statistics-and-information-theory/pages/-LpO5vE88qYwjk5WM_Qf#目录)
* [返回上层目录](/machine-learning-notes/statistics-and-information-theory.md)
* [贝叶斯概率](https://luweikxy.gitbook.io/machine-learning-notes/statistics-and-information-theory/pages/-LpO5vFzAUT-_89iIGXl#贝叶斯概率)

## 贝叶斯概率简介

我们后面会聊到贝叶斯网络，里面会讲到朴素贝叶斯，贝叶斯概率和朴素贝叶斯的关系就像是雷锋和雷峰塔的区别，就是JavaScript和Java的区别。朴素贝叶斯是假定条件独立，假定特征均衡，进行分类的非常重要的分类器，曾经也被誉为十大数据挖掘算法之一。而贝叶斯呢？得看上下文，贝叶斯公式是贝叶斯；说模型是用贝叶斯的方法做，那意思就是想加入先验，想把它的参数当作是随机变量。

$$
P(A|B) = \frac {P(B|A)\cdot P(A)}{P(B)}
$$

后验概率=(似然度$\times$先验概率)/标准化常量

在生活中，我们无时不刻在面对这样的问题：根据给定一些信息，探求事物的真相，贝叶斯公式就是一个非常有力的工具，他被贝叶斯学派奉为佳臬，在输入法识别拼音，药物检测，医疗等等领域都有应用，解释了世界的概率性的一面，简单却有力。

怎么简单理解贝叶斯公式？ <https://www.zhihu.com/question/51448623>

你对贝叶斯统计都有怎样的理解？ <https://www.zhihu.com/question/21134457>

小学生都能理解的贝叶斯公式

<https://zhuanlan.zhihu.com/p/22805488>

【贝叶斯推断】基本概念

<https://zhuanlan.zhihu.com/p/24832964>

深入浅出朴素贝叶斯理论

<https://zhuanlan.zhihu.com/p/24602462>

## 神奇而又美丽的贝叶斯方法

这篇文章是目前见过最形象的关于贝叶斯的解说了,对贝叶斯方法做了一个很好的讲解。

[数学之美番外篇：平凡而又神奇的贝叶斯方法](http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/)