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