1.理解分類與監督學習、聚類與無監督學習。 簡述分類與聚類的聯系與區別。 （1）分類：給數據貼標簽，通過分析已有的數據特征，對數據分成幾類，已知分類結果。然后引入新數據對其歸類。分類可以提高認知效率，較低認知成本。 （2）聚類：不知分類結果，通過數據一定的相似性，把那些相似的數據聚集在一起 ...

　　一、貝葉斯定理數學基礎 　　我們都知道條件概率的數學公式形式為 　　即B發生的條件下A發生的概率等於A和B同時發生的概率除以B發生的概率。 　　根據此公式變換，得到貝葉斯公式： 即貝葉斯定律是關於隨機事件A和B的條件概率（或邊緣概率）的一則定律。通常，事件A在事件B發生的條件溪的概率 ...

一個簡單的例子 朴素貝葉斯算法是一個典型的統計學習方法，主要理論基礎就是一個貝葉斯公式，貝葉斯公式的基本定義如下： 這個公式雖然看上去簡單，但它卻能總結歷史，預知未來。公式的右邊是總結歷史，公式的左邊是預知未來，如果把Y看出類別，X看出特征，P(Yk|X)就是在已知特征X ...

貝葉斯定理是關於隨機事件A和B的條件概率的一則定理（比如常見的：P(A|B)是在B發生的情況下A發生的可能性）。 朴素的含義是各特征相互獨立，且同等重要。某些 分類算法均以貝葉斯定理為基礎。由此產生了 朴素貝葉斯分類算法。 朴素貝葉斯分類算法的思想基礎是：對於給出 ...

　　朴素貝葉斯（Naive Bayesian）是基於貝葉斯定理和特征條件獨立假設的一種分類算法。朴素貝葉斯想必是很多人在剛學習機器學習時想去第一個學習的算法，因為它朴素呀、簡單呀（我記得當時的想法就是這樣）。它真的那么簡單么？今天我們就來討論一下這個“簡單”的機器學習算法。 貝葉斯定理 ...

貝葉斯的應用 過濾垃圾郵件 貝葉斯分類器的著名的應用就是垃圾郵件過濾了，這方面推薦想詳細了解的可以去看看《黑客與畫家》或是《數學之美》中對應的章節，貝葉斯的基礎實現看這里 數據集 兩個文件夾，分別是正常郵件和垃圾郵件，其中各有25封郵件 測試方法 從50封郵件中隨機選取10封 ...

朴素貝葉斯分類 1.1、摘要 貝葉斯分類是一類分類算法的總稱，這類算法均以貝葉斯定理為基礎，故統稱為貝葉斯分類。本文作為分類算法的第一篇，將首先介紹分類問題，對分類問題進行一個正式的定義。然后，介紹貝葉斯分類算法的基礎——貝葉斯定理。最后，通過實例討論 ...

轉載請注明出處：http://www.cnblogs.com/marc01in/p/4775440.html 引 和師弟師妹聊天時經常提及，若有志於從事數據挖掘、機器學習方面的工作，在大學階 ...