本文详细介绍了朴素贝叶斯分类器的原理，通过实例展示了如何利用Python进行实现，包括数据集创建、模型训练与评估。同时，探讨了在处理连续型数据时的挑战及解决方案，并提供了防止下溢的策略。最后，文章还讨论了面试中可能遇到的相关问题，以加深读者对朴素贝叶斯的理解。
先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7
深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年最新软件测试全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
如果你需要这些资料，可以添加V获取：vip1024b （备注软件测试）
正文
E
0
∣
R
1
)
P(\ A_0\ B_0\ C_0\ D_0\ E_0\ |\ R_1)
P( A0 B0 C0 D0 E0 ∣ R1) 为 0 和
P
(
A
0
B
0
C
0
D
0
E
0
)
P(\ A_0\ B_0\ C_0\ D_0\ E_0)
P( A0 B0 C0 D0 E0) 为 0 的情况，毕竟总有一类人的条件在相亲市场中不受欢迎，但是因为这是在小样本数据中的结果，并不能真实代表这个概率，直接判定 0 显然不可靠。
在朴素贝叶斯公式中，
P
(
A
0
∣
R
1
)
P(\ A_0\ |\ R_1)
P( A0 ∣ R1) 等条件累乘的结果显然大于等于
P
(
A
0
B
0
C
0
D
0
E
0
∣
R
1
)
P(\ A_0\ B_0\ C_0\ D_0\ E_0\ |\ R_1)
P( A0 B0 C0 D0 E0 ∣ R1) ，这意味着变换后更不容易为0。
换一种说法，
P
(
A
0
∣
R
1
)
P(\ A_0\ |\ R_1)
P( A0 ∣ R1) 每个条件相较于
P
(
A
0
B
0
C
0
D
0
E
0
∣
R
1
)
P(\ A_0\ B_0\ C_0\ D_0\ E_0\ |\ R_1)
P( A0 B0 C0 D0 E0 ∣ R1) 的可能性是更高的，他们每个不等于0的概率都比
P
(
A
0
B
0
C
0
D
0
E
0
∣
R
1
)
P(\ A_0\ B_0\ C_0\ D_0\ E_0\ |\ R_1)
P( A0 B0 C0 D0 E0 ∣ R1) 大。
因此，在变换后，朴素贝叶斯公式更加稳定，在小样本数据中发挥更好。
为了模拟计算过程，我们回到 0-1 脱单数据集中：
然后对照着计算。
我们之前提过一嘴，这样的方法只是最简单的数量统计，面对连续型数据时，简单的数量统计势必会使算法陷入维度灾难中，此外简单的统计数量也不能体现样本数据的连续性。因此，我们需要一种方法处理连续型数据，当然
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
