機器學(xué)習(xí)樸素貝葉斯—Apple的學(xué)習(xí)筆記
用數(shù)學(xué)公式來表述貝葉斯定理：
P(c∣x)=P(c)P(x∣c)P(x)=P(x,c)P(x)P(c∣x)=P(c)P(x∣c)P(x)=P(x,c)P(x)?????P(c|x)=\frac{P(c)P(x|c)}{P(x)}=\frac{P(x,c)}{P(x)}P(c∣x)=P(x)P(c)P(x∣c)?=P(x)P(x,c)?
c表示的是隨機事件發(fā)生的一種情況。x表示的就是證據(jù)（evidence）\狀況(condition)脆丁，泛指與隨機事件相關(guān)的因素。
P(c|x)：在x的條件下，隨機事件出現(xiàn)c情況的概率钠四。（后驗概率）
P?：（不考慮相關(guān)因素）隨機事件出現(xiàn)c情況的概率辆琅。（先驗概率）
P(x|c)：在已知事件出現(xiàn)c情況的條件下冻晤，條件x出現(xiàn)的概率苇羡。（后驗概率）
P(x)：x出現(xiàn)的概率绸吸。（先驗概率）
接著就是解析公式鼻弧，變成條件概率的計算。最后按特征來判斷分類的概率锦茁，哪個概率大攘轩，就判斷為哪類。
提升貝葉斯表現(xiàn)
1. 如果連續(xù)型數(shù)據(jù)但是不滿足正態(tài)分布码俩，則將其轉(zhuǎn)化為符合正態(tài)分布的數(shù)據(jù)
2. 如果測試數(shù)據(jù)特征出現(xiàn)頻率為0的數(shù)據(jù)度帮，就用平滑技術(shù)“拉普拉斯變換”來進(jìn)行預(yù)測
3. 刪除相關(guān)聯(lián)的特征，可能造成過擬合
4. 注意各個參數(shù)選項的影響稿存，建議在數(shù)據(jù)與處理和特征選擇階段處理參數(shù)問題
5. 集成笨篷、提升、裝袋方法由于目的是減小方差瓣履，所以對于樸素貝葉斯沒有任何幫助
參考
https://blog.csdn.net/amds123/article/details/70173402
https://www.cnblogs.com/csguo/p/7804355.html
https://blog.csdn.net/assassinangjie/article/details/78303255
