前言：
大家看到貝式方法，心裡應該多多少少都會聯想到機率的那個貝式定理(Bayes' theorem)，沒有錯!這個貝式方法與貝是定理確實有相關，今天的文章主要在介紹貝式方法在機器學習中的應用還有原理，我們趕快開始吧~~~~

機器學習裡面有個model叫做被式分類器，在我們的生活中其實已經有不少的應用，比如：塞車預測、垃圾郵件分類、降雨機率分析...等。

工作原理
這邊舉個簡單的例子：信箱裡有一封垃圾郵件，請問AI要如何判斷出這是不是一封垃圾郵件呢?

電腦根據後台大數據，整理出兩個機率式

垃圾信件裡頭出現「週年慶」詞彙的機率是正常信件的 20 倍
垃圾信件裡頭出現「折扣」詞彙的機會是一般信件的 10 倍

接著電腦會依據這個機率跟垃圾郵件出現在所有信件中的機率去運算這是一封真正的垃圾郵件的機率，因為我們沒有那麼多時間去計算類似這種事情的小事，因此這時貝式方法就會是一個很好用的AI工具。

如果大家想要自己動手做簡單的AI貝式方法的話，可以用 Python的scikit-learn來製作

就因為貝式方法簡單且強大的特性，被應用的領域很廣泛，只要我們知道會發生的事件跟會發生的機率，就能夠用貝式方法算出所求的機率。

資料來源：
https://medium.com/@d101201007/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-multinomialnb-%E8%B2%9D%E6%B0%8F-%E8%B2%9D%E8%91%89%E6%B0%8F-%E5%88%86%E9%A1%9E-df1d59b6fd9d

https://leemeng.tw/intuitive-understandind-of-bayes-rules-and-learn-from-experience.html

https://scikit-learn.org/stable/