確率論のいくつかの基本的な知識
条件付き確率
\（P（B | A） = \ FRAC {1}、{3} \） 確率がA、Bが発生したときに発生手段で表されます
そこ式
\ [P（B | A） = \ FRAC {P（AB）} {P（A）} \]
\ [P（AB）= P（B | A）* P（A）= P（A | B）* P（B）\]
\ [P（A | B）= \ FRAC {P（B | A）* P（A）}、{P（B）} \]
完全確率式
\（B_1、B_2は、B_3 \） ...... \（B_N \）サンプル空間Sの分割を得ることができる
（P（A）\ = P （A | B_1）+ P（A | B_2）+ ...... P（A | B_N）= \ sum_ I = {0}} ^ {N- \） P（A | B_i）$
ベイズ式
\ [P（B_i | A）= \ FRAC {P（A | B_i）* P（B_i）} {\ sum_ {i = 0} ^ {N} $ P（A | B_i）} \]
いくつかの理解とベイズ式の解釈
\ [P（A | B）
= \ FRAC {P（B | A）* P（A）}、{P（B）} \] P（A）は、通常、機械学習において、事前確率の確率であります表示されたカテゴリ>の確率を意味
P（B | A）の条件付き確率は、クラス内のBの発生確率である
P |具体的には、（B）事後確率があるの意味を指す：イベントBを発生、分類確率からこの時間があります。
最尤推定最尤
原則
最大逆推力パラメータ値に、既知のサンプルを用いた構成は、この結果を引き起こす可能性があります。最尤推定値は上の最尤原理の統計的手法に基づいており、それは統計における確率論を応用したものです。最尤推定は、モデルパラメータ与えられた観測データを評価するための方法が提供され、すなわち「モデルは、パラメータが未知で、設定されています。」いくつかの試験により、観察された結果は、パラメータの実験値を用いて得られた結果は、最大サンプルの発生確率を可能にし、それは、最尤推定と呼ばれます。
サンプルセットが独立同一分布サンプルであるので、唯一のパラメータベクトルθを推定するために、クラスDのサンプルセットを考えることができます。既知の音符のサンプルセット：\ [D = \ {X_1、X_2、X_3、...... x_nに関する\} \]
\ [L（\シータ）= P（D | \シータ）= P（X_1、X_2、X_3 ...... x_nに関する| \シータ）= \ prod_ {i = 1} ^ {n}はP（X_I | \シータ）\ 】尤度関数Dであります
どのようにML最尤機能
サンプルのセットを検索するように、発生値θの最大確率。
\ [\帽子{\シータ} = ARGMAX L（\シータ）= ARGMAX \ prod_ {i = 1} ^ {N} P（X_I | \シータ）\]
理解することは、単純な、我々はであることが知られている\（\シータ\）最大確率Dシーケンスが発生した場合に発生するように。乗っても、計算は非常に良いではありません。私たちは、変更するには何かを行うことができます。
\ [\帽子{\シータ} = ARGMAX L（\シータ）= ARGMAX \ prod_ {i = 1} ^ {N} P（X_I | \シータ）= ARGMAX（LN（\ prod_ {i = 1} ^ {N } P（X_I | \シータ） ））= ARGMAX \ sum_ {i = 1} ^ {N}のln（P（X_I | \シータ））\]