共计 758 个字符，预计需要花费 2 分钟才能阅读完成。
好久没更新了，最近经常加班时间上也跟不上，但是每天晚上回来坚持看点书，但是自己也没动手写过，现在回头想想之前看过啥感觉有点茫然，还是得自己动手写点东西，虽然现在很晚了。。。开始步入正题
概念
讲到贝叶斯瞬间想到先验概率、后验概率和联合概率分布等相关概率概念，当然贝叶斯分类器也是基于概率的模型来分类，之前写过的混合高斯模型，就是用指定M个子高斯模型去表征当前的样本特征的分布，每个高斯子模型都有一个权重概率，权重概率之和为1
假设当前样本X有N个分类类别{y1,…..yN}，K(i,j)表示属于yj的样本被误分类为yi的损失，那么根据后验概率可以推断出样本x被分类为yi的期望损失
Risk（yi|x）=K(i,j)p(yi|x) j=1:N
如果上述的期望值越大表示被误分类的风险越大，因此需要最小化当前的风险，上述只是描述了一个样本的期望损失，对于整个样本集而言的话需要所有的样本都满足那个条件，因此衍生了贝叶斯判定准则：在每个样本上选择使损失最小的类别标记，也就是后验概率估计
min Risk（yi|x）
上述优化问题就是贝叶斯最优分类器
假设当前的k（i,j）在i=j时为0，其余为1，Risk（yi|x）=1-p(yi|x)，公式的推导可以这么想，就是对x样本正确分类的对立事件错误分类，所以直接使用1减去相应的正确分类就得到错误分类的概率，这就是公式的理解。
所以min Risk（yi|x）最优化问题可以变化为max p(yi|x)，最大化后验概率问题了
后验概率在现实生活中难以直接得到，因此需要想法计算，一种直接建模，另外一种利用贝叶斯公式，考虑联合概率等
这个涉及到对样本和分类结果进行建模，然后估计参数，这就会用到最大似然估计方法，最大似然估计可以见https://www.deeplearn.me/704.html
