机器学习算法（二）: 朴素贝叶斯(Naive Bayes)-1

1. 实验室介绍

1.1 实验环境

1. python3.7
2. numpy >= ‘1.16.4’
3. sklearn >= ‘0.23.1’

——问题：sklearn的安装

1.2 朴素贝叶斯的介绍

朴素贝叶斯算法（Naive Bayes, NB) 是应用最为广泛的分类算法之一。它是基于贝叶斯定义和特征条件独立假设的分类器方法。由于朴素贝叶斯法基于贝叶斯公式计算得到，有着坚实的数学基础，以及稳定的分类效率。NB模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。当年的垃圾邮件分类都是基于朴素贝叶斯分类器识别的。

什么是条件概率，我们从一个摸球的例子来理解。我们有两个桶：灰色桶和绿色桶，一共有7个小球，4个蓝色3个紫色，分布如下图：

灰A：紫2 蓝2

绿B：紫1 蓝2

从这7个球中，随机选择1个球是紫色的概率p是多少？选择过程如下：

1. 先选择桶
2. 再从选择的桶中选择一个球

标签：概率,Naive,贝叶斯,选择,算法,Bayes,朴素,事件
来源： https://blog.csdn.net/weixin_43664661/article/details/111398279