机器学习入门文档深度页

条件概率与贝叶斯公式

条件概率在已知信息后更新事件可能性，贝叶斯公式结合先验与似然得到后验。

学习前需要掌握

分类概率与决策阈值

背景与问题

朴素贝叶斯以此为分类基础，概率推理还要求清楚分母所代表的条件总体。

概念定义

P(A|B) 把观察范围限制在 B 已发生的样本；贝叶斯公式把 P(x|C)P(C) 归一化为 P(C|x)。

直观理解

先考虑类别本来多常见，再看当前特征与该类别有多匹配。

核心原理

比较类别时证据 P(x) 相同，可比较未归一化先验×似然；实际中常在对数空间计算。

数学表达

核心表达

P (C_{k} ∣ x) = P (x ∣ C_{k}) P (C_{k}) / P (x)

比较类别时证据 P(x) 相同，可比较未归一化先验×似然；实际中常在对数空间计算。

变量含义

变量定义与本页概念定义一致，代码中的同名变量保持相同语义。

计算步骤

1定义条件总体
2估计先验
3估计似然
4计算未归一化分数

代码对应位置

示例 1条件概率与贝叶斯公式：最小可验证示例：把正文原理映射为可检查的代码行为。

计算与实现步骤

1
定义条件总体
2
估计先验
3
估计似然
4
计算未归一化分数
5
归一化
6
选择最大后验

代码实现

示例 1

条件概率与贝叶斯公式：最小可验证示例

条件概率与贝叶斯公式：最小可验证示例

NumPyexample_01.py

用途：把正文原理映射为可检查的代码行为。

1import numpy as np
2priors = np.array([0.4, 0.6])
3likelihoods = np.array([0.3, 0.1])
4posterior = priors * likelihoods
5posterior /= posterior.sum()
6print(posterior)

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

把正文原理映射为可检查的代码行为。

Step 1 · 1–6 行

导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。

import numpy as np
priors = np.array([0.4, 0.6])
likelihoods = np.array([0.3, 0.1])
posterior = priors * likelihoods
posterior /= posterior.sum()
print(posterior)

预期输出或运行结果

[0.667,0.333] 左右，预测类别 0。

常见错误 · 2 条

条件概率分母用全部样本
把相关特征当独立

实际应用

朴素贝叶斯
风险更新

常见错误

条件概率分母用全部样本

把相关特征当独立

文档来源

01｜数学与数据基础原始文档

学习资料/learning_tech/01_math_data_foundations.md

§4.2 条件概率
§4.3 贝叶斯公式的直觉

条件概率与贝叶斯公式

条件概率在已知信息后更新事件可能性，贝叶斯公式结合先验与似然得到后验。

学习前需要掌握

分类概率与决策阈值

背景与问题

朴素贝叶斯以此为分类基础，概率推理还要求清楚分母所代表的条件总体。

概念定义

P(A|B) 把观察范围限制在 B 已发生的样本；贝叶斯公式把 P(x|C)P(C) 归一化为 P(C|x)。

直观理解

先考虑类别本来多常见，再看当前特征与该类别有多匹配。

核心原理

比较类别时证据 P(x) 相同，可比较未归一化先验×似然；实际中常在对数空间计算。

数学表达

核心表达

P (C_{k} ∣ x) = P (x ∣ C_{k}) P (C_{k}) / P (x)

比较类别时证据 P(x) 相同，可比较未归一化先验×似然；实际中常在对数空间计算。

变量含义

变量定义与本页概念定义一致，代码中的同名变量保持相同语义。

计算步骤

1定义条件总体
2估计先验
3估计似然
4计算未归一化分数

代码对应位置

示例 1条件概率与贝叶斯公式：最小可验证示例：把正文原理映射为可检查的代码行为。

计算与实现步骤

1
定义条件总体
2
估计先验
3
估计似然
4
计算未归一化分数
5
归一化
6
选择最大后验

代码实现

示例 1

条件概率与贝叶斯公式：最小可验证示例

条件概率与贝叶斯公式：最小可验证示例

NumPyexample_01.py

用途：把正文原理映射为可检查的代码行为。

1import numpy as np
2priors = np.array([0.4, 0.6])
3likelihoods = np.array([0.3, 0.1])
4posterior = priors * likelihoods
5posterior /= posterior.sum()
6print(posterior)

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

把正文原理映射为可检查的代码行为。

Step 1 · 1–6 行

导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。

import numpy as np
priors = np.array([0.4, 0.6])
likelihoods = np.array([0.3, 0.1])
posterior = priors * likelihoods
posterior /= posterior.sum()
print(posterior)

预期输出或运行结果

[0.667,0.333] 左右，预测类别 0。

常见错误 · 2 条

条件概率分母用全部样本
把相关特征当独立

实际应用

朴素贝叶斯
风险更新

常见错误

条件概率分母用全部样本

把相关特征当独立

文档来源

01｜数学与数据基础原始文档

学习资料/learning_tech/01_math_data_foundations.md

§4.2 条件概率
§4.3 贝叶斯公式的直觉

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心表达

变量含义

计算步骤

代码对应位置

计算与实现步骤

代码实现

条件概率与贝叶斯公式：最小可验证示例

代码解析

输入数据与任务

Step 1 · 1–6 行

预期输出或运行结果

常见错误 · 2 条

实际应用

常见错误

与其他概念的关系

文档来源

推荐学习资料

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心表达

变量含义

计算步骤

代码对应位置

计算与实现步骤

代码实现

条件概率与贝叶斯公式：最小可验证示例

代码解析

输入数据与任务

Step 1 · 1–6 行

预期输出或运行结果

常见错误 · 2 条

实际应用

常见错误

与其他概念的关系

文档来源

推荐学习资料