本文介绍了机器学习中的朴素贝叶斯分类算法，通过概率论的基本概念，如随机事件、条件概率和贝叶斯公式，阐述了朴素贝叶斯分类器的工作原理。文中以超市顾客购买电脑的预测为例，详细讲解了如何计算P(Ci)和P(X | Ci)，并讨论了属性独立假设、连续值处理、拉普拉斯平滑以及朴素贝叶斯分类的适用场景和局限性。
今天将为大家介绍机器学习中的一个经典的分类算法：朴素贝叶斯分类。在一些情况下，朴素贝叶斯分类器可以达到和神经网络或者决策树同样的性能。为了说明白朴素贝叶斯分类器的原理，我们先从概率论的一些概念上入手。
1.随机事件
事件：随机试验中每一种可观测的结果
必然事件：每次试验中肯定会出现的结果（比如在地球上，太阳每天都从东方升起，西方落下）
不可能事件：每次试验中都不出现的结果（比如掷一颗正常色子，朝上为7的事件即为不可能事件）
随机事件：可能出现，也可能不出现的结果
2.互斥事件（或者称为互不相容事件）
即A事件与B事件不能同时发生
3.完备事件组
如果n个事件A1，A2，...,An两两互不相容，且Ai（i=1, 2, 3, ....,n）包含了所有的可能，那么称A1，A2，......,An构成了一个完备事件组
4.条件概率
P（A | B）：在B发生的条件下A发生的概率。通常也称条件概率为后验概率，与之相反的先验概率为P(A)，或者P(B)
5.全概率公式
假设事件A1，A2，......,An是一个完备事件组（且P（Ai） > 0），则对任意事件B，都有
6.贝叶斯公式（朴素贝叶斯
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
