贝叶斯分类器及其应用研究+源码+文献综述(2)
我们在生活中时时刻刻都在进行模式识别。模式识别是指表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程[4]。二十一世纪是科学技术高速发展的时代，基于概率的计算方法越来越受人们的亲莱，随着科学技术和生产的不断发展，需要对很多事物进行分类处理[3]。概率一词我们上中学就开始接触，那个时候就知道对于概率的研究是一门很深入的学问，在生产生活中也有着举足轻重的作用，与之相关的，贝叶斯分类器的应用和研究在各行各业中发挥着重要作用。
贝叶斯分类器是基于模式识别，本文以特征值的统计概率为基础来进行贝叶斯分类器的设计，并通过实例仿真来验证。通过分析贝叶斯分类器的理论和方法的研究，深入的分析和研究贝叶斯分类器的设计，形成更具实用性的决策理论，从而对事物进行更科学的分析.例如，给定一个 类的 的分类人物和一个用特征向量 表示的未知样本，生成 个条件概率 [5]。也就是对于特征向量 ，每一项都代表未知样本属于某一特定类 的概率。实际上，在这里讨论的 分类器或者计算这些向量的最大值，或者等价的计算它们适当意义的函数最大值，未知样本就被分到计算结果最大的一类中。首先要完成的任务是条件概率的计算，而贝叶斯规则条件概率是非常有用的。
1. 贝叶斯分类器的研究
1.1 贝叶斯分类的概念
贝叶斯分类的基础是概率推理，就是在各种条件的存在不确定，仅知其出现概率的情况下，如何完成推理和决策任务。概率推理是与确定性推理相对应的。所谓确定性推理是指类似如下的推理过程：
① 如有条件 ，就一定会有结果 ，如果条件 不存在的话，则结果 一定不成立；现出现了结果 ，则条件 一定存在。
在这一推理过程中，条件和结果之间的关系是确定的，条件自身和推理结果也是确定的。
而概率推理是不确定性推理，它的一种推理形式可以表示为：
② 如果有条件 ，则可能会出现结果 ；现出现了结果 ，则条件 就有存在的可能。
在这个推理过程中，时间之间的因果关系是一种概率关系，推理是在结果已知的情况下，反推其条件出现的概率，也称为“逆概率推理”[6]。如果对上述概率推理过程的内容用条件概率来表示，即为：
已知条件 出现时结果 会发生的条件概率 ，需要推导结果 已经发生时，条件 存在的概率，即 等于多少。
1.2 贝叶斯公式
假设总共有 类物体已知，及其各类在这 文特征空间的统计分布，具体来说是各类别 ， 的先验概率 及类条件概率密度函数 已知。关于待测样品，利用贝叶斯公式可以计算出该样品分属各类别的后验概率；观察 属于那个类的可能性最大，就把 归于那个类，后验概率可以作为识别对象归属的依据。则贝叶斯公式为
(1)
1.2.1 先验概率
先验概率 针对 个事件出现的可能性而言，任何其他条件都不考虑。例如，由统计资料表明总药品数为 ，其中异常药品数为 ，正常药品数为 ，则
这里先验概率是 和 。在一般情况下显然正常药品所占的比例大，即 。仅仅通过先验概率来决策，所有药品都会被都划归为正常药品，这样并没有将正常药品与异常药品区分开。这就说明仅由先验概率所提供的信息太少。