贝叶斯分类

“咱们在大街上走，看到一个黑人，那在心理不由自主的会想到，这位友人大概率来自非洲”

         所以，为什么我们会立刻有这种想法呢？

        因为在之前我们的大脑中就已经学习过了这个事件。

毫无疑问，人们生活的本能就是贝叶斯。很容易理解吧。

贝叶斯：

        用先验经验，学习得到后验经验，知道某个类别属于某种分布然后反推，如果属于这种分布，那大概率是这个类别

        条件概率公式：

        全概率公式：

                        ​​​​​​​        ​​​​​​​        ​​​​​​​        

        贝叶斯定理：

            其中，p(A)表示先验，是统计量或者只是假设偏好；p(B|A)是似然函数，是在条件A下的   B出现的概率；p(A|B)是后验概率，表示B的出现是因为A的概率，∫A′p（B|A′）P（A′）dA′为证据因子，对条件概率的积分表示将所有的事件发生的条件都考虑在内，这句话转自------清华计算机学堂

                     

                                                                        或许这样更容易理解一点 

贝叶斯中如下三种：

        1.GaussianNB适用特征为高斯分布的连续量。特征数据符合高斯正态分布

        2.MultinomialNB适用特征为2个以上离散量。特征数据符合多项式分布

        3.BernoulliNB适用特征只有2个状态，特征数据符合伯努利分布

这期主要讲GaussianNB（）：

        高斯分布也称为正态分布，是描述自然界中连续随机变量的统计分布的统计模型。 正态分布中两个最重要的特征是均值 (μ) 和标准差 (σ)。平均值是分布的平均值，标准差是分布在平均值周围的“宽度”。

正态分布的概率密度函数

解释一下就大概是这样

 

              好的，知道了原理以及工式，我们写一个GaussianNB类（代码注释均已标出），这样更加便于理解：

        还是用鸢尾花作为数据集：

 看看准确率：

 结果为：