【机器学习 复习】第5章 朴素贝叶斯分类器

一、概念

1.贝叶斯定理：

（1）就是“某个特征”属于“某种东西”的概率，公式就是最下面那个公式。

2.朴素贝叶斯算法概述

（1）是为数不多的基于概率论的分类算法，即通过考虑特征概率来预测分类。

（2）这是一种假设，假设每个特征属性独立地对分类结果发生影响。

（3）属于监督学习的生成模型。

（4）朴素贝叶斯模型的参数也不多，对缺失数据不太敏感，算法实现比较简单。

（5）根据各个类别出现的概率，哪个最大，就将其划归为那个类别。

（6）因为是假定特征独立影响，所以公式分母取消，变成下面这样：

二、习题（重要）

选择一种分类算法，写出算法流程，并预测 [Outlook=’sunny’,Temperature=’cool’,Humidity=’High’,Wind=’Strong’]时会不会去打网球。

解：

首先，我选择朴素贝叶斯算法，

纵观整张表可得有9天打了，5天没打：

然后计算各个条件概率：

然后完成题目:

所以打不了网球。