朴素贝叶斯分类算法python，数据分析的分类模型

朴素贝叶斯分类算法python，数据分析的分类模型在贝叶斯推断中，每一种概率都有一个特定的名字：通过前面的概率树及P(A|B)的概率可知，P(B|A)的概率是在事件A发生的前提下事件B发生的概率，因此P(B|A)可以表示为事件B与事件A的交集与事件A的比率。在统计资料的基础上，依据某些特征，计算各个类别的概率，从而实现分类。贝叶斯算法通过已知的P(A|B)，P(A) 和P(B)三个概率计算P(B|A)发生的概率。假设我们现在已知P(A|B)，P(A)和P(B)三个概率，如何计算P(B|A)呢？

今日分享：

朴素贝叶斯算法

NaïveBayes算法，又叫朴素贝叶斯算法。朴素指特征条件独立；贝叶斯指基于贝叶斯定理。

属于监督学习的生成模型，实现简单，没有迭代，并有坚实的数学理论（即贝叶斯定理）作为支撑。

在大量样本下会有较好的表现，不适用于输入向量的特征条件有关联的场景。

贝叶斯分类器的基本方法：

在统计资料的基础上，依据某些特征，计算各个类别的概率，从而实现分类。

贝叶斯算法通过已知的P(A|B)，P(A) 和P(B)三个概率计算P(B|A)发生的概率。

假设我们现在已知P(A|B)，P(A)和P(B)三个概率，如何计算P(B|A)呢？

通过前面的概率树及P(A|B)的概率可知，P(B|A)的概率是在事件A发生的前提下事件B发生的概率，因此P(B|A)可以表示为事件B与事件A的交集与事件A的比率。

在贝叶斯推断中，每一种概率都有一个特定的名字：

P(B)是“先验概率”（Prior probability）；

P(A)是“先验概率”（Prior probability），也作标准化常量（normalized constant）；

P(A|B)是已知B发生后A的条件概率，叫做似然函数（likelihood）；

P(B|A)是已知A发生后B的条件概率，是我们要求的值，叫做后验概率；

P(A|B)/P(A)是调整因子，也被称作标准似然度（standardised likelihood）。

朴素贝叶斯分类案例

一天，老师问了个问题，只根据头发和声音怎么判断一位同学的性别。

为了解决这个问题，同学们马上简单的统计了7位同学的相关特征，数据如下：

头发	声音	性别
长	粗	男
短	粗	男
短	粗	男
长	细	女
短	细	女
短	粗	女
长	粗	女
长	粗	女

要是知道男生和女生头发长短的概率以及声音粗细的概率，我们就可以计算出各种情况的概率，然后比较概率大小，来判断性别。

假设抽样样本足够大，我们可以近似认为可以代表所有数据（假设上位7位同学能代表所有数据，这里方便计算）。由这7位同学，我们马上得出下面表格概率分布。

性别	头发长	声音粗
男	1/3	1
女	3/5	3/5

假设头发和声音都是独立特征，于是：

男生头发长声音粗的概率=3/8*1/3*1=1/8

女生头发长声音粗的概率=5/8*3/5*3/5=9/40

因为1/8<9/40，所以根据以上计算结果，如果一个人，头发长，声音粗，那么这个人更可能是女生，于是出现这些特征大概率是女生。