一、學習樸素貝葉斯之前先了解一下 條件概率下 貝葉斯公式
1、舉例是兩個工具機m1和m2 用例生產扳手機器
生產扳手（個數 ）
mach1
30mach2
20不合格佔1%(defective)機器
次品分布比例（）
mach1
50%mach2
50%2、問題：mach2生產的不合格產品的概率是多少？
p（mach1）=30/50 = 0.6
p（mach2）=20/50 = 0.4
p（defect）=1%
p（mach1|defect）= 50%
p（mach2|defect）= 50%
p（defect|mach2）= ?
根據條件概率 貝葉斯法則
p（a|b） ： 在事件b發生的條件下a發生的概率
p（b|a） ： 在事件a發生的條件下b發生的概率
p(a) :a 單獨發生的概率
p(b) :b 單獨發生的概率單獨發生的概率
p（defect|mach2）= （p（mach2|defect）* p（defect））/ p（mach2）
= (0.5*0.1)/0.4 = 0.125
二、樸素貝葉斯
1.根據薪資和年齡的對30個人進行了分類（打標籤）
2.假設分類標籤為上班的交通方式：步行(walks)、開車(drives)，那新加入乙個員工(new data point)是什麼是屬於那個類或者那種方式上班？
3、利用貝葉斯法則（公式）
4、p（walks）=10/30 (已知的先驗概率）
5、p（x）=4/30 (在步行的情況下觀測到x的概率（下圖畫乙個圈，覆蓋乙個範圍，有4個人，這個範圍裡面有開車和有步行，步行的有3個，開車的1個，這個半徑大小和調優有關係，現在不考慮大小）
6、p（x|walks）=3/10 (x在步行人中的概率，walks=10）
7、代入公式求值：這個人步行的概率是0.75
8、問題（作業），這個人開車概率是多少？
p（drives）=20/30 (已知的先驗概率）
p（x）=4/30
p（x|drives）=1/20
p(drives|x) =( p（x|drives）* p（drives）)/p（x） = ( 1/20 *20/30 )/(4/30) = 0.25
機器學習 樸素貝葉斯
樸素貝葉斯原理 1.貝葉斯公式 2.樸素貝葉斯的模型 3.後驗概率最大化的含義 4.樸素貝葉斯的引數估計 4.1.特徵是離散值 假設符合多項式分布 4.2.特徵是稀疏的離散值 假設符合伯努利分布 4.3.特徵是連續值 假設符合正態分佈 5.樸素貝葉斯演算法過程 6.樸素貝葉斯演算法小結 scikit...
機器學習之樸素貝葉斯
寫在前面 本文寫自初學時，若後續學習過程中有新的理解，將不定期進行更新 若文中敘述有誤，望不吝賜教，也將及時修改 貝葉斯分類是一類分類演算法的總稱，這類演算法均以貝葉斯定理為基礎，故統稱為貝葉斯分類。而樸素樸素貝葉斯分類是貝葉斯分類中最簡單，也是常見的一種分類方法。在理解樸素貝葉斯之前，需要對兩個數...
樸素貝葉斯 機器學習實戰
主要引用的是機器學習實戰中第四章的例子。該例子中將所有的詞當作乙個特徵。我們已知類別下相應特徵的概率，計算出乙個特徵下屬於不同類別的概率大小，然後選取較大的為此特徵的類別。import numpy as np def loaddataset postinglist my dog has flea p...