p(x) : 取值在[0, 1]
在講這兩個概率之前我們通過乙個例子，來計算一些結果：
那麼其中有些問題我們計算的結果不正確，或者不知道計算，我們有固定的公式去計算
條件概率：就是事件a在另外乙個事件b已經發生條件下的發生概率
注意：此條件概率的成立，是由於a1,a2相互獨立的結果(記憶)這樣我們計算結果為：
p(程式設計師, 勻稱) = p(程式設計師)p(勻稱) =3/7*(4/7) = 12/49p(產品, 超重|喜歡) = p(產品|喜歡)p(超重|喜歡)=1/2 * 1/4 = 1/8那麼，我們知道了這些知識之後，繼續回到我們的主題中。樸素貝葉斯如何分類，這個演算法經常會用在文字分類，那就來看文章分類是乙個什麼樣的問題？
這個了類似乙個條件概率，那麼仔細一想，給定文章其實相當於給定什麼？結合前面我們將文字特徵抽取的時候講的？所以我們可以理解為
但是這個公式怎麼求？前面並沒有參考例子，其實是相似的，我們可以使用貝葉斯公式去計算
公式分為三個部分：
p(f1,f2,…) **文件中每個詞的概率
如果計算兩個類別概率比較：
所以我們只要比較前面的大小就可以，得出誰的概率大
科技：p(科技|影院,支付寶,雲計算) =
機器學習演算法 樸素貝葉斯
樸素貝葉斯 na ve bayes 屬於監督學習演算法，實現簡單，學習效率高 由於建立在貝葉斯理論之上，涉及到統計學方法，所以在大樣本量下會有較好的表現，當然樣本需要在一定程度上反映真實分布情況。該演算法的一條假設為 輸入的特徵向量的各分量之間兩兩條件獨立。因為這條假設比較嚴格，能夠完全符合該假設的...
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...
機器學習基礎演算法 樸素貝葉斯
1 為什麼可以使用bayes對未知資料進行分類 首先要了解bayes的概率 條件概率，以及將條件概率應用到分類中 bayes的概率是乙個逆向概率，詳細內容檢視bayestheory.md 可以使用bayes主要是因為在知道某個條件的基礎上，可以反推某一事件發生的概率 在機器學習中使用的樣本資料就是我...