贝叶斯问题整理

贝叶斯分类是一类分类算法的总称，这类算法都以贝叶斯定理为基础，所以叫贝叶斯分类。而朴素贝叶斯模型（naive Bayes）是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯常常用于文本分类，然而该方法对于英文等语言很好用，对中文就不是很好。

一、特点及场景：

1. 优点：在数据较少的情况下仍然有效，可以处理多类别问题；

2.缺点：对于输入数据的准备方式比较敏感、由于朴素贝叶斯的“朴素”特点，所以会带来一些准确率上的损失、需要计算先验概率，分类决策存在错误率、朴素贝叶斯有分布独立的假设前提，而现实生活中这些很难是完全独立的；

3. 应用场景：文本分类、垃圾文本过滤、情感预测、多分类预测、推荐系统

二、注意点：

1. 对测试数据中的0频次项，一定要记得平滑，简单一点可以对每个类别的每一个特征属性相初始化。
2.先处理处理特征，把相关特征去掉，因为高相关度的2个特征在模型中相当于发挥了2次作用。

三、python实现贝叶斯分类器案例

1. 文本分类

    （1） 实现：

https://blog.youkuaiyun.com/zonghengyuzhou/article/details/78032653

    （2）算法流程、实现

详细：

https://blog.youkuaiyun.com/moxigandashu/article/details/71480251

https://blog.youkuaiyun.com/c406495762/article/details/77500679

https://blog.youkuaiyun.com/tanhongguang1/article/details/45016421

------将概率连乘变成了对数概率相加，可避免因概率因子连乘后造成下溢出，对分类结果无影响。

    （3）针对离散型的实现

https://blog.youkuaiyun.com/sp_programmer/article/details/39667259

-------用到了类定义

2. 垃圾邮件