康娜喵的原创博客

朴素贝叶斯和邮件分类一.朴素贝叶斯的数学基础二.公式1.贝叶斯公式2.朴素贝叶斯公式3.代码中的朴素贝叶斯①.思想②.拉普拉斯平滑三.实战——邮件分类1.说明2.代码流程3.代码实现4.完整代码四.后记 一.朴素贝叶斯的数学基础 首先我们需要了解以下几个数学的基础名词： 先验概率：通过已知的模型（原因）去推测结果的概率，比如：黑盒里有三个白球，七个红球，求事件A：摸出一个黑球的概率。记作P(A)。 条件概率：事件A在事件B已经发生的状态下，发生的概率，记作P(A|B)。 后验概率：通过已知的结果，去推测模型

KNN零.前言一.原理1.简述原理2.补充说明二.代码实现1.创建数据集2.使用KNN预测图片算法三.总结与反思 零.前言 又开一个坑，手写一些机器学习常用的函数的代码，以此深度了解机器学习框架背后的一些原理。 一.原理 1.简述原理 KNN的原理，简述就是： 向量化训练集和目标 预测目标与训练集中每一个成员的距离 选出训练集中与待预测的目标距离最小的K个成员 在这K个成员中，选出出现次数最多的那个成员，该成员就是我们的预测结果 2.补充说明 向量化是指：比如一张28 * 28像素的图片，我们可以给