第2章 概率论与机器学习模型原理_第3节-条件概率与贝叶斯公式.pdfVIP

三、条件概率与⻉叶斯公式

3.1条件概率公式及其⼏何解释学

3.1.1什么是条件概率？数

修

3.1.2为何是这个形式？必

习

3.1.3⼏何解释（集合与⾯积视⻆）学

器

3.1.4再举⼀个例⼦机

-

壮

3.1.5乘法公式（延展公式）

大

s

o

c

3.1.6概率树图解释（流程可视化）

3.1.7常⻅误区

3.1.8实际应⽤场景

3.1.9公式总结

3.1.10⼩结

3.2全概率公式与⻉叶斯反演

3.2.1前置知识：条件概率的定义

3.2.2全概率公式

3.2.3⻉叶斯反演公式

3.2.4实际应⽤举例：医学诊断

3.2.5结构关系⼩结

3.3案例：朴素⻉叶斯分类器学

3.3.1应⽤场景：⽂本分类、垃圾邮件过滤、情感分析等数

3.3.2问题形式化：后验概率最⼤分类修

必

3.3.3关键假设：“朴素”独⽴性习

学

3.3.4最终形式：分类器表达式器

机

-

3.3.5模型训练与估计壮

大

3.3.6⼩例⼦：⽂本分类s

o

c

3.3.7优点与局限

3.4案例：A/B测试更新推理

3.4.1问题背景

3.4.2⻉叶斯建模过程

3.4.3⻉叶斯与频率派A/B测试对⽐

3.4.4⼩结

3.5案例：步枪中靶问题中的先验更新

3.5.1问题背景：射击命中率未知，如何不断更新判断？

3.5.2⻉叶斯建模思路

3.5.3观察数据后的⻉叶斯更新