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、贝叶斯的计算流程

• 首先，计算先验概率。
• 其次，计算标准似然估计（条件概率）。
• 再次，针对待预测样本，计算其对于每个类别的后验概率。
• 最后，将概率值最大的类别确定为待预测样本的预测类别。

2、神奇的贝叶斯原理

• 贝叶斯原理神奇的地方在于，开始阶段并不需要客观的估计，只要根据经验随便猜一个基础值即可。
  这对于机器学习非常关键，因为在面对很多问题时，我们可能并不知道某事件发生的真实概率。
  例如，某类新闻事件发生后，次日股市暴跌的概率是多少？统计当然是一个不错的方法，但是使用贝叶斯分类器可以让机器学习帮我们预测更为可靠的答案。

3、图像识别领域的应用

• Yuille等在Vision as Bayesian inference：analysis by synthesis一文中提出了贝叶斯分类器在图像识别领域应用的案例。
  贝叶斯分类器在识别字符时，先筛选出该字符的候选集（建议字符），然后针对候选集中的每一个建议字符计算概率，概率最大的字符即识别结果，如图15-31所示。

  
  图15-31 字符识别示意图