sklearn朴素贝叶斯分类器_朴素贝叶斯分类器简介

如果您参加过概率论和统计学课程，您可能会熟悉着名的贝叶斯定理。

在数学上，贝叶斯定理看起来像：

朴素贝叶斯公式

在给定事件A和B发生的情况下，P(A | B)是后验概率，P(B | A)是似然。

在技​​术术语中，朴素贝叶斯算法是一种概率模型，用作机器学习中的分类算法。

考虑一个数据集，其中X是特征向量，X = [“Name”, “Age”, “Dribbling”, “Defending”]，Y是目标向量，Y =[ “Yes”, “No” ]。

给定一定的测试数据，观察X= [" Sid "， 25,70 - 80,80 - 90]。Y '的预测值是多少?

从本质上讲，就贝叶斯公式而言，我们可以将其写成：

为了模拟P(X | Y')，我们将做出一个非常强大的假设。我们将假设X(I)的全部条件独立给Y' 。这导致的假设就是所谓的朴素贝叶斯假设，并将得到的算法称为朴素贝叶斯分类器。

对于模型P(X|Y ')，我们将做一个假设。我们假设给定目标值(Y' )时属性(X(i))之间相互条件独立，这种假设称为朴素贝叶斯假设，算法称为朴素贝叶斯分类器。

我们得到，

P(X|Y’) = P(X = x1|Y’) * P(X = x2|Y’,x1) * P(X = x3|Y’,x1,x2)

在应用朴素贝叶斯的假设时，我们得到了，

现在让我们来看看计算：

P(Y’ = “Yes”) = 4/10, P(Y’ = “No”) = 6/10.

同样的，

因此我们得到：

我们得到的最终结果是：

由于分母P(X)是相同的，我们只能比较分子来找出哪个概率更大。

显然， P(Y’ = Yes | X ) > P(Y’ = No | X)。

因此，对于特征= [“Sid”, 25, 70–80, 80–90]， Y’ = “Yes”。

使用机器学习库sklearn时的Python实现如下：