[博学谷学习记录]超强总结，用心分享|人工智能机械学习基础知识朴素贝叶斯总结分享

目录

1.贝叶斯和朴素贝叶斯

2.朴素贝叶斯的优缺点

3.贝叶斯分类器的应用场景

4.朴素贝叶斯对异常值敏感吗？

---

1.贝叶斯和朴素贝叶斯

叶贝斯公式：P( C|W )=P( W|C )P( C )/P( W )
P© 表示 C 出现的概率
P(W|C) 表示 C 条件 W 出现的概率
P(W) 表示 W 出现的概率

朴素贝叶斯（Naive Bayes ）在贝叶斯基础上增加：特征条件独立假设，即：特征之间是互为独立的。朴素贝叶斯采用 属性条件独立性 的假设，对于给定的待分类观测数据X,计算在X出现的条件下，各个目标类别出现的概率(即后验概率)，将该后验概率最大的类作为X所属的类。而计算后验概率的贝叶斯公式为: p(目标类别|观测数据x) =[ p(观测数据x|目标类别i)]*p(目标类别i) /p(观测数据x)，由于p(观测数据x)在所有关于X的分类计算公式中都是相同的，所以我们可以把它忽略，则p(目标类别|观测数据x) = p(观测数据x 目标类别i)*p (目标类别i)公司里有一个人穿了运动鞋，推测是男还是女?已知公司里男性38人，女性70人，男性穿运动鞋的有25人，穿拖鞋的有5人，女性穿运动鞋的有40人，穿高跟鞋的有39
p = (男 运动鞋)=p (男性)*p (运动鞋 男性) =.3*(25/3) 
p = (女|运动鞋) =p(女性)*p (运动鞋 女性) =.7* (48/7) 

2