智能技术_4：贝叶斯分类和贝叶斯网络

---

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