贝叶斯公式的经验之谈.doc

-
. z
贝叶斯公式的经历之谈
综述
在日常生活中，我们会遇到许多由因求果的问题，也会遇到许多由果溯因的问题。比方*).
-
. z
在定性预测方法中，有一种集合意见法，就是主管人员召集营销人员对预测对象进展座谈讨论，提出方案。在集中意见时，常采用主观概率法加以合成，求出期望值。如甲营销人员对*种商品销售量的估计最高为1000，最可能为800，最低为500，主持预测者将根据他平时对市场行情的了解程度和分析判断能力，给三种估计以可能实现的概率。设过去十次预测中，这位营销人员的预测期望值为:
如果我们把每次预测成功置于一定的条件下来考察〔见表1〕，就是贝叶斯公式对原先所给的主观概率予以修正。
表1 甲营销人员预测效果表
表中数字为预测成功的次数，成功的标准可以假定一个区间，如，实际值落入这个区间即为成功。
在进展这一次新的预测时，该商品的货源偏紧，在此信息条件下计算验后概率，先确定检验前概率P(Bi)。即原先给的主观概率：从过去10 次成功的预测中，最高销售量是3 次，最可能销售量是5 次，最低销售量是2 次。从而可推断P(Bi)分别为3/10、5/10、2/10 最为确切。再找条件概率P(A/Bi)，这是指以三种预测结果为条件能获信息A 的概率。由表1 可知预测最高销售量成功三次，其中货源偏紧的一次，即有：，预测最可能销售量成功五次，其中货源偏紧二次，即有：，预测最低销售量成功二次，其中货源偏紧一次，即有：，最后计算检验后概率
即在货源偏紧的条件下，，，，因此检验后概率计算期望值为：
4. 贝叶斯过滤技术.
、贝叶斯过滤技术的工作原理
根据贝叶斯理论，根据已经发生的时间可以预测未来事件发生的可能性。将该理论运用到反垃圾上：假设*些字词经常出现在垃圾中，却很少出现在合法中，当一封含有这些字词时，则他是垃圾的可能性就很大。
⑴创立基于字词符号的贝叶斯数据库
用户首先需要对贝叶斯进展培训，即将分类为垃圾〔用户不想要的〕和正常〔用户想要的〕，贝叶斯将提取这些样本中主题和信体中的独立字串，包括字词〔word〕和符号〔token〕〔如$，IP地址，域名等〕，并建立相应的数据库。
⑵创立贝叶斯概率库
统计出每个字串在垃圾中出现的概率以及在正常中出现的概率，然后根据公式计算出中含*字串则为垃圾的概率。例如：在3000封垃圾样本中"mortgage"〔抵押〕出现了400次，而在300封正常中这个词出现了5次，〔[400/3000] /[5/300+400/3000]〕。
-
. z
⑶创立个性化的贝叶斯库
由于每个单位对所收到的偏好是不同的，例如，*个金融类单位在正常中可能经常用到" mortgage "这个词，如果使用静态的关键词过滤，就可能产生很多误判。如果采用贝叶斯过滤，在对贝叶斯进展培训的时候，将