用python实现贝叶斯判别_机器学习之用Python从零实现贝叶斯分类器

机器学习之用

Python

从零实现贝叶斯分类器

关于朴素贝叶斯

朴素贝叶斯算法是一个直观的方法，使用每个属性归属于某个类的概率来做预测。

你可以使用这种监督性学习方法，对一个预测性建模问题进行概率建模。

给定一个类，朴素贝叶斯假设每个属性归属于此类的概率独立于其余所有属性，从

而简化了概率的计算。这种强假定产生了一个快速、有效的方法。

给定一个属性值，其属于某个类的概率叫做条件概率。对于一个给定的类值，将每

个属性的条件概率相乘，便得到一个数据样本属于某个类的概率。

我们可以通过计算样本归属于每个类的概率，

然后选择具有最高概率的类来做预测。

通常，

我们使用分类数据来描述朴素贝叶斯，

因为这样容易通过比率来描述、

计算。

一个符合我们目的、比较有用的算法需要支持数值属性，同时假设每一个数值属性

服从正态分布(分布在一个钟形曲线上)，这又是一个强假设，但是依然能够给出

一个健壮的结果。

预测糖尿病的发生

本文使用的测试问题是“皮马印第安人糖尿病问题”。

这个问题包括

768

个对于皮马印第安患者的医疗观测细节，

记录所描述的瞬时测量

取自诸如患者的年纪，

怀孕和血液检查的次数。

所有患者都是

21

岁以上

(含

21

岁)

的女性，所有属性都是数值型，而且属性的单位各不相同。