本文介绍了朴素贝叶斯算法的基础，通过一个医院病人的例子解释了贝叶斯公式，并讨论了在类别确定条件下特征间的独立性假设。文章还提到了朴素贝叶斯的优点和缺点，如逻辑简单、易于实现，但要求属性间相互独立。当属性相关性较大时，分类效果可能下降，并提到在处理0概率问题时采用的拉普拉斯平滑技术。
贝叶斯公式
首先我们从实例来了解贝叶斯公式。某个医院早上收了六个门诊病人，如下表：
| 症状 | 职业 | 疾病 |
|---|---|---|
| 打喷嚏 | 护士 | 感冒 |
| 打喷嚏 | 农夫 | 过敏 |
| 头疼 | 建筑工人 | 脑震荡 |
| 头疼 | 建筑工人 | 感冒 |
| 打喷嚏 | 教师 | 感冒 |
| 头疼 | 教师 | 脑震荡 |
现在又来了第七个病人，是一个打喷嚏的建筑工人。请问他患上感冒的概率有多大？
p ( 感 冒 ∣ 打 喷 嚏 ， 建 筑 工 人 ) = p ( 打 喷 嚏 ∣ 感 冒 ) × p ( 建 筑 工 人 ∣ 感 冒 ) × p ( 感 冒 ) p ( 打 喷 嚏 ) × p ( 建 筑 工 人 ) = 2 3 × 1 3 × 1 2 1 2 × 1 3 = 2 3 p(感冒|打喷嚏，建筑工人)=\frac{p(打喷嚏|感冒)\times p(建筑工人|感冒)\times p(感冒)}{p(打喷嚏)\times p(建筑工人)}\\ \ \\=\frac{\frac{2}{3}\times\frac{1}{3}\times\frac{1}{2}}{\frac{1}{2}\times\frac{1}{3}}=\frac{2}{3} p(感冒∣打喷嚏，建筑工人)=p(打喷嚏)×p(建筑工人)p(打喷嚏∣感冒)×
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
