5.5.1朴素贝叶斯原理
发布网友
发布时间：2022-10-18 19:12
共1个回答
热心网友
时间：2023-09-22 13:14
它是一种预测建模算法。之所以称为朴素贝叶斯，是因为它假设每个输入
变量是独立的。这个假设现实生活中根本不满足，但对绝大部分复杂问题仍然非常有效。
朴素贝叶斯模型由两种类型的概率组成：
1、每个类别的概率P(Cj)；
2、每个属性的条件概率P(Ai|Cj)。
比如：cj就表示男女，比如c0=男，c1=女，而Ai就表示影响预测为男女的因素（身高、
体重、鞋码），比如A0=身高，A1=体重，A2=鞋码
为了训练朴素贝叶斯分类器模型，我们需要先给出训练数据，以及这些数据对应的分
类。那么类别概率和条件概率。可从训练数据计算出来。
一旦计算出来，概率模型就可以使用贝叶斯原理对新数据进行预测。
预测的原理就是，加入我们是一个而分类问题，C0表示正样本，C1表示负样本，则预测的结果就是去比较 P(C0|A1A2A3) 与 P(C1|A1A2A3)的大小。那个样本的概率高，就被预测为哪一类。
1.贝叶斯原理是最大的概念，它解决了概率论中“逆向概率”的问题，在这个理论基础上，人们设计出了贝叶斯分类器
（1）实时预测 # 样本变化，概率变化
（2）多类预测，预测不同类别的可能性
（3）文本分类/垃圾邮件/情感分析 ： 文本：变量类型多，更独立 朴素贝叶斯：执果索因，属于某个类别是某几个单词存在与否造成的
（4）推荐系统，朴素贝叶斯和协同过滤结合过滤用户想看到和不想看到的东西
（1）高斯分布朴素贝叶斯GaussianNB
用处：解决连续数据分类问题。
如果数据集是连续型的，如身高，数据做正态分布，数据在分布的某个位置，对应一个概率，即根据正态分布的概率密度函数算出。 # 尽可能把数据集转换成标准正态分布（stand_scaler）。不过最好是做离散再做其他的概率模型。
（2）多项式朴素⻉叶斯MultinomialNB
用处：处理离散数据建模，数据集尽可能离散。
离散数据集（可将连续数据做离散处理，如分箱处理）
计数，身高低，1,2,3.
(3)伯努利朴素⻉叶斯BernoulliNB
用处:数据特征可以表达是或不是，可用。
离散数据集，数据是与否，0或1
互斥事件一定不独立（因为一件事的发生导致了另一件事不能发生）；
独立事件一定不互斥（如果独立事件互斥， 那么根据互斥事件一定不独立，就会矛盾）
问题修改为：到达公司未迟到选择第1条路的概率是多
少？
在知道未迟到结果的基础上问选择第一条路的概率，并不是直接可得出的。 故有：
所以选择第一条路的概率为0.28
贝叶斯公式是当已知结果，问导致这个结果的第i原因的可能性是多少？执果索因！
例：
假设有一种病叫做“贝”，它的发病率是万分之一，现有一种测试可以检验一个人是否得病的准确率是 99.9%，它的误报率是 0.1%，那么现在的问题是，如果一个人被查出来患有“贝”，实际上患有的可能性有多大？
问题分析：
假设：A 表示事件 “测出为阳性”, 用 B1 表示“患有贝”, B2 表示“没有患贝”。
P(A|B1)=99.9%，P(A|B2)=0.1%。
患有贝叶死的概率为 P(B1)=0.01%，没有患贝叶死的概率 P(B2)=99.99%。
以上可以认为是先验概率。
想求 P(B1|A)
先验概率： 通过经验来判断事情发生的概率，就是先验概率。也就是能根据样本值估算出来的概率
后验概率： 就是发生结果之后，推测原因的概率。比如说你迟到了，那么原因可能是 A、B 或 C。其中迟到是因为原因A的概率就是后验概率。它是属于条件概率的一种。 # 及可根据先验概率求解出来的。
