本來以為 cooking-gym 這個專案使用類神經網路的方法，結果看到論文名稱才知道是用 Bayesian Inference，早期蠻多使用 Bayesian，直到神經網路紅起來，不過它在數據不多的時候，表現依然很出色，我猜作者可能捨棄不用蒐集大量數據方法，用傳統的方法來做這個專案。不過 Bayesian Delegation 也是加了 Q function的部份，為了讓大家有點感覺，我們就先借用wiki的陳述與github上的方法，讓大家感受一下 Bayesian method。

Bayes' theorem

Bayes' theorem 是機率論中的一個定理，描述在已知一些條件下，某事件的發生機率。比如，如果已知某種健康問題與壽命有關，使用貝氏定理則可以通過得知某人年齡，來更加準確地計算出某人有某種健康問題的機率。

通常，事件A在事件B已發生的條件下發生的機率，與事件B在事件A已發生的條件下發生的機率是不一樣的。然而，這兩者是有確定的關係的，貝氏定理就是這種關係的陳述。貝氏公式的一個用途，即透過已知的三個機率而推出。

簡而言之就是透過條件機率的定理，從事前機率去推事後機率。

Bayesian Classifier

雖然我們不會帶著大家看太深入的專案程式碼，不過這裡還是跑點 Bayesian inference的程式碼，讓大家感受一下，這邊我們用到普遍的鳶尾花數據集，用高斯模型做分類器。

from sklearn.naive_bayes import GaussianNB
from sklearn import datasets
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

iris=datasets.load_iris()
X=iris.data
y=iris.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

modelg=GaussianNB()
modelg.fit(X_train,y_train)
modelg.predict(X_test)

modelg.predict_proba(X_test)
print('Training Set Score:',modelg.score(X_train,y_train))
print('Test Set Score:',modelg.score(X_test,y_test))

參考

1. 貝氏定理
2. Bayesian Classifier