上一节我们介绍了监督学习的整体框架和基本的要点，按照总分的思考方式，接下来我们要分别介绍相应的一些算法了。今天这节我们来看看贝叶斯定理在机器学习中的应用。本章要点如下：
1. 贝叶斯定理；
2. 分类中的贝叶斯定理；
3. 风险和效用度量；
4. 关联规则；
一、贝叶斯定理
贝叶斯定理来源于统计学中的条件概率，它可以揭示两个变量间的对应关系，基本公式如下：
其中，P(C|x)表示观测到数据x时事件C发生的条件概率，我们称为后验概率（posterior probability）；P(C)=P(C=1)是事件C=1发生时的概率，称为先验概率（prior probabilty），因为这是在观察到数据x之前就已经得到的关于C的知识；P(x|C)称为类似然，与P(C|x)相反，表示属于事件C的样本观测 值为x的概率；P(x)表示证据（evidence），是观测到x的边缘概率，即：
这里的边缘概率可以理解为是x与C的联合概率，即同时发生时的概率，由乘法原理可得上面的公式。
二、分类中的贝叶斯定理
贝叶斯定理在分类问题中主要用来计算类的概率，即所观测的样本数据x属于类C的概率。一般情况下，我们可以假设有K个互斥和穷举的类集合C，元素个数K个，我们可以得到先验概率满足：
我们根据观测到的样本数据x可以计算某个类的后验概率，即：
为了将误差最小化，贝叶斯分类器（Bayes' classfier）当然选择具有最高后验概率的类，即：
三、风险与效用度量
有了贝叶斯定理，我们就可以试着对决策中的风险进行度量。比如我们可以定义动作α-i表示把输入指派到类C-i的决策，而λ-ik表示实际属于类C-k时却指派到类C-i时的动作造成的损失，因此我们可以计算动作α-i的期望风险（expected risk）：
我们的目标就是从中选择具有最小风险的动作。同样，我们也可以定义效用函数：
这里同风险度量相反，我们来求使得效用最大的动作α-i。
四、关联规则
关联性分析也是机器学习中非常关注的一个方面，就贝叶斯定理应用来说，以常见的”购物篮“作为实例，比如X和Y分别表示购买两种商品的顾客，那么我们有以下三个重要的度量其关联性：
1. 关联规则X->Y的置信度（confidence），即购买X的顾客有多大比例会同时购买Y：
2. 关联规则X->Y的提升度（lift），又称为兴趣度（interest），即购买X对购买Y的作用：
3. 关联规则X->Y的支持度（support），表示规则的显著性：
好了，今天先到这里，我们明天继续！
Refer：
《机器学习导论》，Ethen Alpaydin（土耳其），机械工业出版社