高中信息技术浙教版：2-6 贝叶斯分析-教学课件.pptx

贝叶斯分析

贝叶斯分析是一种根据概率统计知识对数据进行分析的方法，是贝叶斯定理的应用。贝叶斯定理是指某件事发生的概率不仅取决于这件事之前发生的概率，还与最近观测到的新增信息有关。

理解层次1知道每个部分的意思2为什么它是对的3在什么时候需要用它

80%20%史蒂夫非常腼腆，少言寡语，但很乐于助人。他谦恭有礼，做事井井有条，中规中矩，关注细节。史蒂夫是图书管理员or史蒂夫是农民？

1:20(史蒂夫是图书管理员)=44+20P(图书管理员｜描述)=条件概率待验事件｜前提条件

P(描述|图书管理员)P(图书管理员)P(非图书管理员)P(描述|非图书管理员)+P(图书管理员|描述)=P(图书管理员)P(描述|图书管理员)P(图书管理员)P(描述|图书管理员)+P(非图书管理员)P(描述|非图书管理员)=P(描述)

P(A)P(B|A)P(B)P(A|B)=先验概率似然概率后验概率P(A)：得到信息B之前，事件A成立的概率P(B|A)：事件A成立的前提下，符合信息B的概率P(A|B)：得到信息B之后，事件A成立的概率P(B)：无论事件A是否成立，符合信息B的概率1知道每个部分的意思

BP(B)P(A|B)=P(A)P(B|A)P(B)P(A∩B)P(A)P(B|A)=P(A|B)=P(A∩B)P(B)AP(A)P(?A)?AABP(A∩B)?AP(B)=P(A∩B)+P(?A∩B)P(B)=P(A)P(B|A)+P(?A)P(B|?A)2为什么它是对的

??3在什么时候需要用它

1医学诊断2邮件分类3推荐系统4机器学习应用领域

某天早上，史蒂夫有些发烧，为了确定是普通流感还是新冠肺炎，史蒂夫去医院进行核酸检测。假设1000个人中大概有1个新冠肺炎患者，而核酸检测的准确性为99%，即新冠肺炎患者被检测出的概率为99%，而未患新冠肺炎的人被误诊的概率为1%。如果史蒂夫的检测结果呈阳性，那么他患新冠肺炎的概率有多大？P(病|阳)0.001×0.990.001×0.99+0.999×0.01==9%患病未患病真阳性假阴性真阴性假阳性P(病)P(阳|病)P(病)P(阳|病)+P(?病)P(阳|?病)=医学诊断

1/11=9%

虽然计算结果表明史蒂夫患新冠肺炎的概率只有9%，但他还是非常担心，于是做了第二次检测，不幸的是第二次检测结果也呈阳性，那么他真的患新冠肺炎的概率有多大？P(病｜阳)=P(病)P(阳｜病)P(阳)0.09×0.990.09×0.99+0.91×0.01==91%医学诊断

邮件分类是根据邮件中是否存在某些关键词来判断的，但实际上并不是所有包含关键词的邮件都是垃圾邮件。史蒂夫采集了10000个邮件样本，其中4000封为垃圾邮件，这4000封垃圾邮件中出现“优惠”的有1500封，出现“好评”的有1000封，出现“买单”的有800封，而在6000封正常邮件中出现“优惠”的仅有6封，出现“好评”的仅有11封，出现“买单”的有18封。某天，史蒂夫收到一封如图所示的邮件，这封邮件是垃圾邮件吗？P(垃圾|优惠)=P(垃圾)P(优惠|垃圾)P(优惠)P(正常|优惠)=P(正常)P(优惠|正常)P(优惠)Steve：邮件分类

P(垃圾|(优惠,好评,买单))=P(垃圾)P((优惠,好评,买单)|垃圾)P((优惠,好评,买单))P(优惠|垃圾)P(好评|垃圾)P(买单|垃圾)假设“优惠、好评、买单”出现的概率相互独立、互不影响P(正常|(优惠,好评,买单))=P(正常)P((优惠,好评,买单)|正常)P((优惠,好评,买单))P(优惠|正常)P(好评|正常)P(买单|正常)邮件分类

Steve：P(正常)P(优惠|正常)P(好评|正常)P(买单|正常)P(垃圾)P(优惠|垃圾)P(好评|垃圾)P(买单|垃圾)??∧史蒂夫采集了10000个邮件样本，其中4000封为垃圾邮件，这4000封垃圾邮件中出现“优惠”的有1500封，出现“好评”的有1000封，出现“买单”的有800封，而在6000封正常邮件中出现“优惠”的仅有6封，出现“好评”的仅有11封，出现“买单”的有18封。某天，史蒂夫收到一封如图所示的邮件，这封邮件是垃圾邮件吗？邮件分类

假设样本各个特征之间相互独立、互不影响。用Ai表示A被分为第i类(1≤i≤n)；用B表示A的特征集，Bj表示第j个特征(1≤j≤m)P(Ai|B)=P(Ai)P(B|Ai)P(B)P(Ai)P((B1,B2,……,Bm)|Ai)P(B)=P(Ai)P(B1|Ai)P(B2|Ai)……P(Bm|Ai)P(B)=P(Ai|B)P(Bj|Ai)∝m∏j=1P(Ai)朴素贝叶斯分类器

样本邮件数据预处理训练集测试集