贝叶斯算法实际应用分析.docVIP

贝叶斯算法实际应用分析 　　引言：贝叶斯算法是以著名数学家托马斯.贝叶斯（Thomas 贝叶斯）（1702-1761）命名的一种基于概率分析的可能性推理理论，通过分析过去事件的知识，来预测未来的事件。贝叶斯算法在实际生活中也有着广泛的应用。 　　贝叶斯公式是概率论中很重要的公式，在概率论的计算中起着很重要的作用，在实际生活中也有广泛的应用。本文对全概率公式和贝叶斯公式进行了仔细的分析，举例说明了它们的用法及它们所适用的概型.为了解决实际问题的需要，我们将全概率公式和贝叶斯公式进行了推广，这样使得贝叶斯公式的应用更为广泛，同样我也举例加以了说明。 　　1贝叶斯算法原理分析 　　Bayes法是一种在已知先验概率与条件概率的情况下的模式分类方法，待分样本的分类结果取决于各类域中样本的全体。 　　Bayes方法的薄弱环节在于实际情况下，类别总体的概率分布和各类样本的概率分布函数（或密度函数）常常是不知道的。为了获得它们，就要求样本足够大。另外，Bayes法要求表达文本的主题词相互独立，这样的条件在实际文本中一般很难满足，因此该方法往往在效果上难以达到理论上的最大值。 　　2贝叶斯法则 　　机器学习的任务：在给定训练数据D时，确定假设空间H中的最佳假设。 　　最佳假设：一种方法是把它定义为在给定数据D以及H中不同假设的先验概率的有关知识下的最可能假设。贝叶斯理论提供了一种计算假设概率的方法，基于假设的先验概率、给定假设下观察到不同数据的概率以及观察到的数据本身。 　　3先验概率和后验概率 　　用P（h）表示在没有训练数据前假设h拥有的初始概率。P（h）被称为h的先验概率。先验概率反映了关于h是一正确假设的机会的背景知识，如果没有这一先验知识，可以简单地将每一候选假设赋予相同的先验概率。类似地，P（D）表示训练数据D的先验概率，P（D|h）表示假设h成立时D的概率。机器学习中，我们关心的是P（h|D），即给定D时h的成立的概率，称为h的后验概率。 　　4贝叶斯公式 　　贝叶斯公式提供了从先验概率P（h）、P（D）和P（D|h）计算后验概率P（h|D）的方法：p（h|D）=P（D|H）*P（H）/P（D） ，P（h|D）随着P（h）和P（D|h）的增长而增长，随着P（D）的增长而减少，即如果D独立于h时被观察到的可能性越大，那么D对h的支持度越小。 　　5极大后验假设 　　学习器在候选假设集合H中寻找给定数据D时可能性最大的假设h，h被称为极大后验假设（MAP），确定MAP的方法是用贝叶斯公式计算每个候选假设的后验概率，计算式如下： 　　h_map=argmax P（h|D）=argmax （P（D|h）*P（h））/P（D）=argmax P（D|h）*p（h） （h属于集合H） 　　最后一步，去掉了P（D），因为它是不依赖于h的常量。 　　6极大似然假设 　　在某些情况下，可假定H中每个假设有相同的先验概率，这样式子可以进一步简化，只需考虑P（D|h）来寻找极大可能假设。 　　h_ml = argmax p（D|h） h属于集合H， P（D|h）常被称为给定h时数据D的似然度，而使P（D|h）最大的假设被称为极大似然假设。 　　7现实应用举例 　　一个医疗诊断问题，有两个可选的假设：病人有癌症、病人无癌症，[p（h1）=p（cancer），p（h2）=p（uncancer）]可用数据来自化验结果：正+和负-， [p（D1）= p（+），p（D2）=p（-），一般假设p（D1）=p（D2）]，有先验知识：在所有人口中，患病率是0.008，对确实有病的患者的化验准确率为98%，对确实无病的患者的化验准确率为97%，总结如下： 　　P（cancer）=0.008， P（uncancer）=0.992 　　P（+|cancer）=0.98， P（-|cancer）=0.02 　　P（+|uncancer）=0.03， P（-|uncancer）=0.97 　　问题：假定有一个新病人，化验结果为正，是否应将病人断定为有癌症？求后验概率P（cancer|+）和P（uncancer|+） 　　因此极大后验假设计算如下： 　　P（cancer， +） = P（+|cancer）P（cancer）=0.008*0.98=0.0078 　　P（uncancer， +） = P（+|uncancer）P（uncancer）=0.992*0.03=0.0298 　　hMAP=uncancer 　　确切的后验概率可将上面的结果归一化以使它们的和为1 　　P（canner|+）=0.0078/（0.0078+0.0298）=0.21 　　P（cancer|-）=0.79 　　贝叶斯推理的结果很大程度上依赖于先验概率，另外不是完全接受或拒绝假设，只是在观察到较多的