机器学习之朴素贝叶斯

一 朴素贝叶斯简介

1.1 概率的基本概念

联合概率：包含多个条件，且所有条件同时成立的概率，记作：P(A,B)
条件概率：就是事件A在另外一个事件B已经发生条件下的发生概率，记作：P(A|B)
相互独立：如果P(A, B) = P(A)P(B)，则称事件A与事件B相互独立。

1.2 贝叶斯公式

朴素贝叶斯：假定了特征与特征之间相互独立的贝叶斯公式。
朴素贝叶斯，之所以朴素，就在于假定了特征与特征相互独立。

1.3 拉普拉斯平滑系数

作用：防止统计数据过少，个别特征出现概率为0的情况

二 朴素贝叶斯API

sklearn.naive_bayes.MultinomialNB(alpha = 1.0)

alpha：拉普拉斯平滑系数

from sklearn.naive_bayes import MultinomialNB
estimator = MultinomialNB(alpha=1)
estimator.fit(x_train, y_train)