机器学习算法（二）: 朴素贝叶斯(Naive Bayes)Tesk02

机器学习算法（二）: 朴素贝叶斯(Naive Bayes)
贝叶斯：计算条件概率

p(A,B)：表示事件A和事件B同时发生的概率。
p(B)：表示事件B发生的概率，叫做先验概率；p(A)：表示事件A发生的概率。
p(A|B)：表示当事件B发生的条件下，事件A发生的概率叫做后验概率。
p(B|A)：表示当事件A发生的条件下，事件B发生的概率。

在贝叶斯中对于离散特征

朴素贝叶斯：所有特征出现互相独立互不影响。每一特征同等重要。
朴素贝叶斯法 = 贝叶斯定理 + 特征条件独立。

高斯朴素贝叶斯：每个特征都是连续的，并且都呈高斯分布。

读程序：
1、import warnings
warnings.filterwarnings(‘ignore’)：忽略警告信息
2、naive_bayes：朴素贝叶斯。高斯朴素贝叶斯（GaussianNB）
3、train_test_split：划分数据集
4、var_smoothing进行拉普拉斯平滑，方便有效的避免零概率问题
5、shuffle()函数是打乱序列里面的元素,并随机排列的。

标签：概率,特征,Naive,发生,贝叶斯,Bayes,事件,朴素,Tesk02
来源： https://blog.csdn.net/qq_30097219/article/details/112332851