###貝葉斯演算法需要解決的問題：
1. 正向概率
假設袋子中n白球，m黑球，摸到黑球概率多大
2. 逆向概率
事先不知道袋子中黑白球個數，從袋子中摸出乙個或幾個球，觀察這些取出球的顏色，以此來推斷袋中白黑球的比例。
###為什麼需要貝葉斯
現實世界本身就是不確定的，假設黑白球數量無限大，人類觀察能力有限，我們不可能完全觀察出整個黑白球的數量。只能隨機抽，觀察抽出來的球的顏色，可以多抽幾次，以此來推斷現實中黑白球的分布。
###實際案例1
假如有男女生比例6：4，男生總穿長褲，女生一半穿長褲，一般穿短褲。現在求迎面走來乙個穿長褲的人推斷他（她）是女生的概率。
假設學校總人數u，穿長褲是男生：u*p(boy)*p(pants|boy)- p(boy)=0.6
- p(pants/boy)=1
穿長褲是女生：u*p(girl)p(pants/girls)###實際案例2：拼寫糾正穿長褲總數：up(boy)p(pants|boy)+up(girl)p(pants/girls)
p(girl/pants)=up(girl)p(pants/girls)/up(boy)p(pants|boy)+up(girl)*p(pants/girls)
那麼我們考慮下求解問題和總人數有關係嗎？上式是可以把u約減的，所以和總人數沒有關係。
p(girl/pants)=p(girl)*p(pants/girls)/p(boy)*p(pants|boy)+p(girl)*p(pants/girls)
則：分母就是p(pants),分子就是p(pants,girl)
使用者實際輸入單詞為d,猜測1:p(h1|d),猜測2：p(h2|d)等等。統一為：p(h|d).則根據貝葉斯公式，p(h|d)=p(h)*p(d|h)/p(d).
對於不同的猜測p(d)都是一樣的，所以在我們可以忽略p(d)這個常數。
對於觀測資料，乙個猜測是好是壞，取決於這個猜測本身可能性大小（先驗概率）和這個猜測生成我們觀測資料的可能性大小。這個猜測本身可能性大小可以通過統計的方式得出，然後p(d|h)可以通過兩個單詞的編輯距離大小來得出乙個可能性。
但是當我們最大似然不能作出決定性判斷時，比如使用者輸入tlp，我們無法判斷是輸入top還是tip。則這個時候可以根據先驗概率來決定，加入top出現頻次高，我們就認為他可能更想打top。
###模型比較理論
貝葉斯演算法
總結應用 貝葉斯演算法的目的是解決逆向概率的問題。何為逆向概率？先看看正向概率 袋子裡有m個黑球，n個白球，隨手一模，是黑球的機率是多大。這就是個正向概率問題。逆向概率 袋子裡有兩種球，通過觀察摸出來的球的顏色，推斷袋子中兩種球的比率。逆向概率的作用 是通過有限的資料推斷無限資料的情況，思考 星系距...
貝葉斯演算法
貝葉斯為了解決 逆概 問題提出的 正向概率 袋子裡裝著n個黑球和m個白球，伸手取摸球，摸到黑球和白球的概率有多大 逆向概率 袋子裡前提不知道有黑白球的比例，而是閉著眼睛摸球統計後推測黑球和白球的比例 現實世界本身不確定，人類觀察是有侷限的 我們日常所觀察只是表面，很多東西都是推測。男生總是穿長褲，女...
貝葉斯演算法
貝葉斯演算法 在大學的時候我們都學過貝葉斯公式 p b a p ab p a p a b p b p a 表明了，在已知a，b共同發生的概率以及事件a發生的概率,則可以知道在事件a發生的情況下發生事件b的概率。然後現在我們就可以將這個公式進行應用到工業中去，假設我們現在有很多的訓練資料，這個時候訓練...