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-learn 樸素貝葉斯類庫使用：
1.gaussiannb類，假設特徵的先驗概率為正態分佈
2.multinomialnb類，假設特徵的先驗概率為多項式分布
3.bernoullinb類，假設特徵的先驗概率為二元伯努利分布
機器學習 樸素貝葉斯 例子
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 m...
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...