机器学习朴素贝叶斯—Apple的学习笔记

用数学公式来表述贝叶斯定理：

P(c∣x)=P(c)P(x∣c)P(x)=P(x,c)P(x)P(c∣x)=P(c)P(x∣c)P(x)=P(x,c)P(x)     P(c|x)=\frac{P(c)P(x|c)}{P(x)}=\frac{P(x,c)}{P(x)}P(c∣x)=P(x)P(c)P(x∣c)​=P(x)P(x,c)​

c表示的是随机事件发生的一种情况。x表示的就是证据（evidence）\状况(condition)，泛指与随机事件相关的因素。

P(c|x)：在x的条件下，随机事件出现c情况的概率。（后验概率）

P©：（不考虑相关因素）随机事件出现c情况的概率。（先验概率）

P(x|c)：在已知事件出现c情况的条件下，条件x出现的概率。（后验概率）

P(x)：x出现的概率。（先验概率）

接着就是解析公式，变成条件概率的计算。最后按特征来判断分类的概率，哪个概率大，就判断为哪类。

提升贝叶斯表现

1. 如果连续型数据但是不满足正态分布，则将其转化为符合正态分布的数据

2. 如果测试数据特征出现频率为0的数据，就用平滑技术“拉普拉斯变换”来进行预测

3. 删除相关联的特征，可能造成过拟合

4. 注意各个参数选项的影响，建议在数据与处理和特征选择阶段处理参数问题

5. 集成、提升、装袋方法由于目的是减小方差，所以对于朴素贝叶斯没有任何帮助

参考

https://blog.csdn.net/amds123/article/details/70173402

https://www.cnblogs.com/csguo/p/7804355.html

https://blog.csdn.net/assassinangjie/article/details/78303255