本文介绍了朴素贝叶斯理论，包括先验概率和后验概率的概念，以及如何利用这些概念进行预测。接着详细阐述了朴素贝叶斯处理数据的一般流程，特别是对离散和连续特征的处理方式。通过Python代码实现了一个分类任务，测试集准确率为76.38%。最后，提到了朴素贝叶斯假设、概率计算中的问题以及解决策略，并给出了相关案例和学习资源。
第一部分：朴素贝叶斯理论介绍
公式如下：
其中：p(A)、 P(B)称为先验概率，P(A|B)、 P(B|A)称为后验概率、条件概率。
贝叶斯理论描述这样一件事情：当我们知道历史数据，即等式右边，就可以预测未来，等式左边。
虽然预测是有一定概率的，但它仍然给我们预测未来一个可以参考的数据，即概率。
再通俗一点，上述公式表述为：通过历史数据知道A的先验概率，以及B的后验概率时，我们就可以通过贝叶斯理论，估算A的后验概率（在特征B出现的情况下）。
经典的India人糖尿病预测问题就是这样计算出来的。
之所以成为朴素贝叶斯：是因为在讨论各个特征时，假设特征之间是相互独立的，这样贝叶斯计算比较方便。
第二部分：朴素贝叶斯的处理的一般流程为：
最低0.47元/天 解锁文章
扫一扫
746
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
