《贝叶斯算法》ppt模板课件.pptVIP

（Suitable for teaching courseware and reports）;贝叶斯算法;;P(AB)=P(A)P(B|A)=P(B)P(A|B) （即事件A和事件B同时发生的概率等于在发生A的条件下B发生的概率乘以A的概率） ;贝叶斯算法概况简介;;贝叶斯算法举例 ;贝叶斯算法举例 ; 设“患者有某种病症”为事件A，引起事件A的病因为样本空间Ω。B1，B2，…Bn为Ω的一个分划，即Bi∩Bj=Φ，i≠j,Ｕni=1Bi=Ω，并假定P(Bi)0。 由贝叶斯公式，由某病因引起事件A的概率为： P（Bi|A)=P(Bi)P(A|Bi)公式为医生有针对性地确诊提供了参考。 在疹疗过程中，医生要根据临床经??对各种病因Bi进行权衡。;如果误诊，则有可能承担相应的医疗事故风险，相应的误诊概率记为P′(Bi)，并设因可能承担风险而承担的赔偿费用为C′i，患者承担医生针对病因Bi开出的疹疗方案的费用为Ci，于是在一次诊治过程中： 患者承担的平均费用为： E(A)=ni=P(Bi)Ci 医生可能承担的平均赔偿金额为： E′(A)=ni=P′(Bi)C′i 我们称该模型为诊断模型，并以δ1≤E(A)-E′(A)≤δ2为标准来衡量诊断方案的合理性，其中δ1≥0,δ2为某一不是特别大的正数。即患者所承担的平均医疗费用应比医生可能承担的平均赔偿金要多，但两者不应差别太大。;贝叶斯算法举例 ;贝叶斯算法举例 ;贝叶斯算法举例 ;一座别墅在过去的 20 年里一共发生过 2 次被盗，别墅的主人有一条狗，狗平均每周晚上叫 3 次，在盗贼入侵时狗叫的概率被估计为 0.9，问题是：在狗叫的时候发生入侵的概率是多少？ 我们假设 A 事件为狗在晚上叫，B 为盗贼入侵，则 P(A) = 3 / 7， P(B)=2/(20×365)=2/7300， P(A | B) = 0.9， 按照公式很容易得出结果： P(B|A)=P(A | B)P(B)/P(A)= 0.9*(2/7300)/(3/7)=0.00058;贝叶斯过滤器;你的邮箱里现有两份邮件： 一封是含有“ 法轮功” 字样的垃圾邮件A 另一封是含有“ 法律” 字样的非垃圾邮件B 。 下面根据这两份已有邮件来建立贝叶斯概率库 根据邮件A 生成hashtable_bad ，该哈希表中的记录为 法：1 次 轮：1 次 功：1 次 计算得在本表中： “法”出现的概率为0.3 “轮”出现的概率为0.3 “功”出现的概率为0.3;根据邮件B生成hashtable_good，该哈希表中的记录为： 法：1 次 律：1 次 计算得在本表中： “法”出现的概率为0.5 “律”出现的概率为0.5 综合考虑两个哈希表，共有四个TOKEN 串：法、轮、功、律 当邮件中： ＊出现“法”时，该邮件为垃圾邮件的概率为： P = 0.3/ （0.3 + 0.5 ）= 0.375 ＊出现“轮”时，该邮件为垃圾邮件的概率为： P = 0.3/ （0.3 + 0 ）= 1; ＊出现“功”时，该邮件为垃圾邮件的概率为： P = 0.3/ （0.3 + 0 ）= 1 ＊出现“律”时，该邮件为垃圾邮件的概率为： P = 0/ （0 + 0.5 ）= 0 ＊由此可得第三个哈希表hashtable_probability ，其数据为： 法：0.375 轮：1 功：1 律：0 于是出现法轮功是为垃圾邮件，出现法律是为非垃圾邮件。;现在新到一封含有“功律”的邮件，我们可得到两个TOKEN串：功、律 查询哈希表hashtable_probability 可得： P （垃圾邮件| 功）= 1 P （垃圾邮件| 律）= 0 此时该邮件为垃圾邮件的可能性为： P=（0*1 ）/[0*1+ （1-0 ）* （1-1 ）] = 0 由此可推出该邮件为非垃圾邮件。; 目前，贝叶斯过滤技术被广泛应用于各种反垃圾邮件的应用程序中。 如：卡巴斯基反垃圾邮件程序foxmail、gmail、outlook的反垃圾邮件程序等。 2003年5月BBC专题报道称，贝叶斯可以达到99.7％的垃圾邮件识别率，同时误判率极低。是目前最有效的反垃圾邮件技术。; 假定观测到的亮度值为45，该像元属于森林类别的概率和属于农田类别的概率就是条件概率计算问题，写成“P（F| 45）”和“P（C| 45）”，其实这就是在一个事件已发生的条件下（如像元的亮度值是45），计算另一事件发生的概率（像元属于哪个类别）。 通常我们的分类要考虑多个波段、两种以上的类别。我们可以将这个过程扩展到任意多个波