这是更新的第三篇机器学习算法，进度着实有点缓慢。立个flag:每周更新一个算法，加上SQL实战一篇，每周两篇文章。
文章目录
一、朴素贝叶斯原理
朴素贝叶斯算法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于次模型，对给定的x,利用贝叶斯定理求出后验概率最大的输出。
1、概率论基础知识
条件概率： 已知事件A发生的条件下，事件B发生的概率，记作： p ( B ∣ A ) p(B|A) p(B∣A),相关公式如下：
p ( A B ) = p ( B ∣ A ) P ( A ) p(AB)=p(B|A)P(A) p(AB)=p(B∣A)P(A) p ( A ∣ B ) = p ( A B ) p ( B ) p(A|B)=\frac{p(AB)}{p(B)} p(A∣B)=p(B)p(AB) p ( A ∣ B ) = p ( B ∣ A ) p ( A ) p ( B ) p(A|B)=\frac{p(B|A)p(A)}{p(B)} p(A∣B)=p(B)p(B∣A)p(A)
全概率公式： 假设事件 A 1 , A 2 , . . . , A n 是 一 个 完 备 的 事 件 组 ， 则 对 任 一 个 事 件 B , 有 A_{1},A_{2},...,A_{n}是一个完备的事件组，则对任一个事件B,有 A1,A2,...,An是一个完备的事件组，则对任一个事件B,有
p ( B ) = p ( A 1 ) p ( B ∣ A 1 ) + p ( A 2 ) p ( B ∣ A 2 ) + . . . + p ( A n ) p ( B ∣ A n ) = ∑ i = 1 n p ( A i ) p ( B ∣ A i ) \begin{aligned}p(B) &=p(A_{1})p(B|A_{1})+p(A_{2})p(B|A_{2})+...+p(A_{n})p(B|A_{n})\\ &=\sum\limits_{i=1}^np(A_{i})p(B|A_{i}) \end{aligned} p(B)=p(A1)p(B∣A1)+p(A2)p(B∣A2)+...+p(An)p(B∣A
最低0.47元/天 解锁文章
8097
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
