问：贝叶斯公式的应用
- 答：贝叶斯公式直接的应用就是学习，啥意思，就是根据经验对新发生的事物进行判断。
抽象地说就是这样。
应用的原因就是为了预测未来，规避风险。
就和你知道很多鸟都是黑色的，但是其中乌鸦是黑色的可能性最大，于是当你再看到一只黑色的鸟的时候，你就会想着这只鸟是不是乌鸦。
包括你学习贝叶斯也是这样的，别人都说贝叶斯很厉害[先验]，然后你找了很多案例，最后想看看贝叶斯成功的概率是多少[后验]，其本质就是这个 - 答：贝叶斯推理研究综述_思想政治教育
问：历史上第一个机器学习算法是什么？
- 答：
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特徵，并将关键放在关键的训练数据上面。
- 答：
1.svm，支撑向量机，通过找到样本空间中的一个超平面，实现样本的分类，也可以作回归，主要用在文本分类，图像识别等领域；
2.lr，逻辑回归，本质也是线性回归，通过拟合拟合样本的某个曲线，然后使用逻辑函数进行区间缩放，但是一般用来分类，主要用在ctr预估、推荐等；
3.nn，神经网络，通过找到某种非线性模型拟合数据，主要用在图像等；
4.nb，朴素贝叶斯，通过找到样本所属于的联合分步，然后通过贝叶斯公式，计算样本的后验概率，从而进行分类，主要用来文本分类。
问：贝叶斯公式有什么作用，有哪些局限性
- 答：1.贝叶斯决策的优点
（1）贝叶斯决策能对信息的价值或是否需要采集新的信息做出科学的判断.（2）它能对调查结果的可能性加以数量化的评价,而不是像一般的决策方法那样,对调查结果或者是完全相信,或者是完全不相信.
（3）如果说任何调查结果都不可能完全准确,先验知识或主观概率也不是完全可以相信的,那么贝叶斯决策则巧妙地将这两种信息有机地结合起来了.
（4）它可以在决策过程中根据具体情况下不断地使用,使决策逐步完善和更加科学.
2.贝叶斯决策的局限性：
（1）它需要的数据多,分析计算比较复杂,特别在解决复杂问题时,这个矛盾就更为突出.
（2）有些数据必须使用主观概率,有些人不太相信,这也妨碍了贝叶斯决策方法的推广使用.
问：怎么简单理解贝叶斯公式?
- 答：贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。其中P（A|B）是在B发生的情况下A发生的可能性。
贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯（1702～1761）曾提出计算条件概率的公式用来解决如下一类问题：假设H,H…，H互斥且构成一个完全事件，已知它们的概率P(H),i=1,2,…，n,现观察到某事件A与H,H…，H相伴随机出现，且已知条件概率P(A|H)，求P(H|A)。
按贝叶斯定理进行投资决策的基本步骤是：
1、列出在已知项目B条件下项目A的发生概率，即将P（A│B）转换为P（B│A）；
2、绘制树型图；
3、求各状态结点的期望收益值，并将结果填入树型图；
4、根据对树型图的分析，进行投资项目决策。
问：如何理解贝叶斯公式
- 答：the could-bes, the minor
