书名：计算机视觉40例从入门到深度学习：OpenCV-Python
作者：李立宗
出版社：电子工业出版社
出版时间：2022-07-01
ISBN：9787121436857

---

第15章 机器学习导读

15.3 OpenCV中的机器学习模块

15.3.6 贝叶斯分类器

1、贝叶斯分类器

• OpenCV中实现的贝叶斯分类器是正态贝叶斯分类器（Normal Bayes Classifier），不是通常所说的朴素贝叶斯分类器（Naive Bayes Classifier）。
  正态贝叶斯分类器假设变量的特征是正态分布的，朴素贝叶斯分类器在此基础上进一步要求变量的特征之间要相互独立。
  因此正态贝叶斯分类器的应用范围更广泛。

2、量化、概率

• 人们常根据经验拟定行动计划，并根据实际情况进行调整。
  机器学习同样是根据经验、关联性、可能性等进行学习以获得模型，进而解决问题的。
  不同之处在于，机器学习要通过量化把看到的现象抽象为数字。
  量化有助于更好地理解并计算问题。
  概率是对不确定性进行量化的结果。

3、逆概率

• 贝叶斯（英国数学家）在解决“逆概率”问题时提出了贝叶斯方法。
  在此之前，人们习惯计算正向概率。
  例如，为了观测硬币在投掷后正/反面向上的概率分别是多少，蒲丰、费勒、罗曼、皮尔逊、罗曼洛夫斯基等众多数学家专门投掷多次硬币以观察结果。
  又如，盒子里面有80个白球，20个黑球，随机取一个球，球是白色的概率是80%。
  正向概率是频率统计结果。
  贝叶斯想解决的问题是，在事先并不知道布袋中黑球和白球比例的情况下随机取出一个球，根据该球颜色对布袋内黑白球的比例进行预测，这是逆向概率。

4、贝叶斯方法

• 贝叶斯方法与传统方法有很大不同，它认为概率是对事件发生可能性的一个估计并逐步优化的结果。
  在具体计算时，先根据经验设定一个基础概率，若对事件一无所知则随意设定一个基础概率。
  然后在出现新信息时，根据新信息对基础概率进行修正。
  随着新信息的增多，基础概率会被修正得越来越接近实际值。