16.贝叶斯分析方法 - 青岛科信软件有限公司.docVIP

16.贝叶斯分析方法 16.1贝叶斯定理 概率： P(H)表示事件H的概率 后验概率(posteriori probabilities)： P(H|X)表示条件X下事件H的概率. 贝叶斯定理： P(H|X)=P(X|H)P(H)/P(X) 全概率公式： 假定有m个类C1,…Cm,对于数据样本X,分类法将预测X属于类Ci,当且仅当 P(Ci|X) P(Cj|X),1=j=m,j!=i 根据贝叶斯定理, P(Ci|X)=P(X|Ci)P(Ci)/P(X) 由于P(X)对于所有类都是常数,只需最大化P(X|Ci) P(Ci) 计算P(X|Ci),朴素贝叶斯分类假设类条件独立.即给定样本属性值相互条件独立. P(x1,…,xk|C) = P(x1|C)·…·P(xk|C) 随着数据库技术的广泛应用，各行各业都积累了大量有用数据。这些数据所隐含的内在联系可能就是有价值的知识，如何发现、提取这些知识和规则并加以利用就成了当务之急。数据挖掘就是从大量的数据中提取隐含的、未知的、对决策有潜在价值的知识和规则的过程。它包括关联分析、分类、预测、聚类分析和孤立点分析等几个方面。 分类作为数据挖掘的主要内容之一，主要是通过分析训练数据样本，产生关于类别的精确描述。这种类别通常由分类规则组成，可以用来对未来的数据进行分类预测，有着广泛的应用前景。对于分类规则的挖掘通常有