理解这个算法： 这个算法是用来给特征值分类的，是属于有监督学习的领域，根据不断计算特征值和有目标值的特 ...

分类算法：对目标值进行分类的算法 1、sklearn转换器(特征工程)和预估器(机器学习) 2、KNN算法(根据邻居确定类别 + 欧氏距离 + k的确定)，时间复杂度高，适合小数据 3、模型选择与调优 4、朴素贝叶斯算法(假定特征互独立 + 贝叶斯公式(概率计算 ...

注：本系列所有博客将持续更新并发布在github上，您可以通过github下载本系列所有文章笔记文件 1 引言 说到朴素贝叶斯算法，很自然地就会想到贝叶斯概率公式，这是我们在高中的时候就学过的内容，没错，这也正是朴素贝叶斯算法的核心，今天我们也从贝叶斯概率公式开始，全面撸一撸朴素贝叶斯算法 ...

和 X 同时发生的概率一样。 2 朴素贝叶斯定理 朴素贝叶斯的经典应用是对垃圾邮件的过滤，是对文 ...

1. 贝叶斯定理 条件概率公式： 这个公式非常简单，就是计算在B发生的情况下，A发生的概率。但是很多时候，我们很容易知道P(A|B)，需要计算的是P(B|A)，这时就要用到贝叶斯定理： 2. 朴素贝叶斯分类 朴素贝叶斯分类的推导过程就不详述了，其流程可以简单的用一张图来表示 ...

　　朴素贝叶斯是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。对于大多数的分类算法，在所有的机器学习分类算法中，朴素贝叶斯和其他绝大多数的分类算法都不同。比如决策树，KNN，逻辑回归，支持向量机等，他们都是判别方法，也就是直接学习出特征输出Y和特征X之间的关系，要么是决策 ...

1、模型的定义　 　　朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分裂方法。首先我们来了解下贝叶斯定理和所要建立的模型。对于给定的数据集 　　 　　假定输出的类别yi ∈ {c1, c2, ...., ck}，朴素贝叶斯通过训练数据集的条件概率分布$P(x|y)$来学习联合概率。因此在 ...

一、概率基础 概率定义：概率定义为一件事情发生的可能性，例如，随机抛硬币，正面朝上的概率。 联合概率：包含多个条件，且所有条 ...