從零開始的AI系列

• 從零開始的AI·機器學習の基本概念
• 從零開始的AI·吃透kNN算法，學完我悟了（附實例代碼）
  
• 從零開始的AI·決策樹原來這么好理解（附實例代碼）

---

文章目錄

• 從零開始的AI系列
• 前言
• 一、權衡利弊
• 二、整體感知
• 三、理論基礎
• 四、具體實現過程及細節

---

前言

本文理論部分基于Peter Harrington的《機器學習實戰》一書

樸素貝葉斯算法（Naive Bayesian algorithm) 是應用最為廣泛的分類算法之一。 樸素貝葉斯方法是在貝葉斯算法的基礎上進行了相應的簡化，即假定給定目標值時屬性之間相互條件獨立。也就是說沒有哪個屬性變量對于決策結果來說占有著較大的比重，也沒有哪個屬性變量對于決策結果占有著較小的比重。雖然這個簡化方式在一定程度上降低了貝葉斯分類算法的分類效果，但是在實際的應用場景中，極大地簡化了貝葉斯方法的復雜性。

如果覺得AI學習枯燥，可以選擇看一下這個老哥做的網站，趣味性直接拉滿>>人工智能教程

---

一、權衡利弊

• 優點：在數據較少的情況下仍然有效，可以處理多類別問題
• 缺點：對于輸入數據的準備方式較為敏感
• 數據類型：標稱型數據
• 應用：文本分類，垃圾郵件的分類，信用評估，釣魚網站檢測

二、整體感知

有兩百名學生，情況如下

長褲裙子

男	100	0
女	50	50

從遠處又來了一名穿長褲的學生，僅從穿著判斷該學生是男是女

首先計算出穿長褲且是男生的概率為100/150=2/3
其次計算出穿長褲且是女生的概率為50/150=1/3
2/3>1/3,因此我們估計該學生為男生

三、理論基礎

• 先驗概率：通過已知的數據計算出的概率。如“貝葉死”的發病率是萬分之一
• 后驗概率：根據當前已知的信息，去預測，所得出的概率。如某人患有“貝葉死”，患病原因可能是 A、B 或 C。則由于A而患病的概率即后驗概率。它是屬于條件概率的一種。
• 貝葉斯理論
  
  p(c1|x, y) 意義為給定某個由x、y表示的數據點，那么該數據點來自類別c1的概率是多少？
• 基本思想：先通過樣本獲取先驗概率，再通過貝葉斯的相關公式計算后驗概率，比較后驗概率，最大的為分類的結果

四、具體實現過程及細節

#讀取數據 import pandas as pd skin=pd.read_csv(r'train.csv') skin.z.value_counts() #劃分數據集 from sklearn import model_selection X_train, X_test, Y_train, Y_test =model_selection.train_test_split(skin.iloc[:,:2],skin.z,test_size=0.25,random_state=1234) #使用高斯分類器進行預測 from sklearn import naive_bayes gnb=naive_bayes.GaussianNB() gnb.fit(X_train,Y_train) gnb_pred =gnb.predict(X_test) pd.Series(gnb_pred).value_counts() #構造混淆矩陣并得出準確率 from sklearn import metrics cm=pd.crosstab(gnb_pred,Y_test) print('準確率為\n',metrics.accuracy_score(Y_test,gnb_pred))

總結

以上是生活随笔為你收集整理的从零开始的AI·朴素贝叶斯？拿来吧你（附实例代码）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。