机器学习之朴素贝叶斯

目录

前言

1、核心思想

2、应用领域

一、数学基础

二、贝叶斯

三、朴素贝叶斯

1、定义

2、拉普拉斯平滑系数

四、API

1、API

2、案例

五、总结

---

 

前言

        朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理和特征条件独立性假设的常见的机器学习分类算法。这种方法的名称中的“朴素”一词，源于其对特征之间独立性的简化假设，即假设所有特征之间相互独立，互不影响。尽管在实际问题中这种完全独立的情况并不多见，但这种假设恰恰使得朴素贝叶斯在面对高维度数据时依然能够保持快速且相对准确的分类能力。

1、核心思想

        朴素贝叶斯的核心思想是在给定一组特征的情况下，计算各个类别出现的可能性，然后选择可能性最大的类别作为预测结果。其关键之处在于“朴素”假设，即将复杂的多维条件概率简化为单个特征的条件概率的乘积。

2、应用领域

        朴素贝叶斯分类器在文本分类、垃圾邮件过滤、情感分析、文档分类等文本相关的问题中得到了广泛应用，同时也适用于医学诊断、金融欺诈检测等领域。它的优点包括模型简单、易于实现、对缺失数据不敏感，但缺点是对特征的条件独立性有较强的假设，可能导致在某些情况下分类效果不佳。

 

 

一、数学基础

 

 

二、贝叶斯

 

 

三、朴素贝叶斯

1、定义

2、拉普拉斯平滑系数

 

 

四、API

1、API

2、案例

(1)  流程

• 1）获取数据

• 2）数据基本处理

  • 2.1） 取出内容列，对数据进行分析

  • 2.2） 判定评判标准

  • 2.3） 选择停用词

  • 2.4） 把内容处理，转化成标准格式

  • 2.5） 统计词的个数

  • 2.6）准备训练集和测试集

• 3）模型训练

• 4）模型评估

(2)  数据展示

(三)  代码实现

 

五、总结

        总的来说，朴素贝叶斯是一种简单而有效的分类算法，特别适用于特征之间条件独立的情况，并且在数据量较小的情况下表现良好。