目录
智能技术_1:安装TensorFlow和Keras
智能技术_2:大数据分析与机器学习概论
智能技术_3:关联规则
智能技术_4:贝叶斯分类和贝叶斯网络
# 写于2021.04.03
# 本文为学习笔记,只为交流,侵删
# 总结不易 望赞鼓励
1 贝叶斯分类
1.1 贝叶斯定义
贝叶斯定理的主要概念为:一开始不知道目标事件Y的真实状态,但知道Y服从一个概率分布Pr(Y),当得到新的样本信息或证据x后,yi发生的条件概率(事后概率)
1.2 贝叶斯具体实现
【条件:】
- 已知各类别的事前概率常依据专家意见、历史数据、训练数据设定
- 给定任一类别下,属性资料相互独立,即属性数据条件独立
【公式1:】
【公式2:】
【公式3:】
1.3 实例
百分率会出现三种情况:
① 情况固定(0%, 100%)
单身、青年、高收入:不买不动产概率0%;购买100%
也就是 这个条件下 一定会购买不动产
② 条件与结果无关(0%, 0%)
单身、中年、低收入:不买不动产概率0%;购买0%
也就是 这个条件下 购买与不购买 与条件无关
① 概率非零,结果又不固定(x%, y%)
单身、中年、低收入:不买不动产概率50%;购买50%
也就是 这个条件下 购买与不购买都有50%的概率
切记:红色字体提示,当这种都是50%不为0%的,这里算法都按不购买不动产
1.4 实验
#安裝e1071函式庫
install.packages('e1071')
#引用e1071函式庫
library(e1071)
#讀取訓練資料
training_data <- read.csv(file.choose(), header = TRUE)
#轉換為因子矩陣
training_data <- data.frame(lapply(training_data, as.factor))
#訓練單純貝氏模型
model