機器學習是將資料轉化為決策面的過程
scikit-learn縮寫為sklearn
訓練乙個分類器，學習之後**其處理的準確性：
def
nbaccuracy
(features_train, labels_train, features_test, labels_test):
from sklearn.*****_bayes import gaussiannb
clf = gaussiannb()
clf.fit(features_train, labels_train)
pred = clf.predict(features_test)
# labels_test的標籤是我們之前就打好的，所以可以**準確性
accuracy = clf.score(features_test, labels_test)
return accuracy
樸素貝葉斯用於判斷文字中是否有哪個關鍵字有很強的優勢，然而卻不能用於判斷句子順序。用改模型可以判斷作者寫作風格，進而判斷郵件作者是誰。
貝葉斯推斷及其網際網路應用
用機器學習模型推斷出某名不見經傳的作者其實是jk羅琳
樸素貝葉斯
樸素貝葉斯演算法是一種基於概率統計的分類方法，它主要利用貝葉斯公式對樣本事件求概率，通過概率進行分類。以下先對貝葉斯公式做個了解。對於事件a b，若p b 0，則事件a在事件b發生的條件下發生的概率為 p a b p a b p b 將條件概率稍作轉化即可得到貝葉斯公式如下 p a b p b a ...
樸素貝葉斯
1.準備資料 從文字中構建詞向量 2.訓練演算法 從詞向量計算概率 3.測試演算法 儲存為 bayes.py 檔案 參考 coding utf 8 from numpy import 文字轉化為詞向量 def loaddataset postinglist my dog has flea probl...
樸素貝葉斯
樸素貝葉斯分類器 x1,x2,xn 氣壓，濕度，溫度，y1,y2 晴，雨 假設通過氣壓，濕度，溫度，的情況去推測天氣是否下雨，上述問題可以表示為 已知x 氣壓，濕度，溫度，時天氣為y 晴，雨 的概率。這個問題實際上就是乙個條件概率 由條件概率公式可得，p y x p x,y p x 根據貝葉斯定律 ...