阿里云天池机器学习训练营_Day4

朴素贝叶斯算法（Naive Bayes, NB) 是应用最为广泛的分类算法之一。它是基于贝叶斯定义和特征条件独立假设的分类器方法。由于朴素贝叶斯法基于贝叶斯公式计算得到，有着坚实的数学基础，以及稳定的分类效率。NB模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。当年的垃圾邮件分类都是基于朴素贝叶斯分类器识别的。

 

2.朴素贝叶斯的应用

朴素贝叶斯算法假设所有特征的出现相互独立互不影响，每一特征同等重要，又因为其简单，而且具有很好的可解释性一般。相对于其他精心设计的更复杂的分类算法，朴素贝叶斯分类算法是学习效率和分类效果较好的分类器之一。朴素贝叶斯算法一般应用在文本分类，垃圾邮件的分类，信用评估，钓鱼网站检测等。

 

3.贝叶斯公式

贝叶斯公式是英国数学家提出的一个数据公式:

 

p ( A ∣ B ) = p ( A , B ) p ( B ) = p ( B ∣ A ) ⋅ p ( A ) ∑ a ∈ F A p ( B ∣ a ) ⋅ p ( a ) p(A|B)=\frac{p(A,B)}{p(B)}=\frac{p(B|A) \cdot p(A)}{\sum_{a \in ℱ_A}p(B|a) \cdot p(a)}

p(A∣B)= 

p(B)

p(A,B)

​ 

 = 

∑ 

a∈F 

A

​ 

 

​ 

 p(B∣a)⋅p(a)

p(B∣A)⋅p(A)

​ 

 

 

p(A,B)：表示事件A和事件B同时发生的概率。

 

p(B)：表示事件B发生的概率，叫做先验概率；p(A)：表示事件A发生的概率。

 

p(A|B)：表示当事件B发生的条件下，事件A发生的概率叫做后验概率。

 

p(B|A)：表示当事件A发生的条件下，事件B发生的概率。