欢迎来到监督学习的垫脚石。 我们首先讨论一个小的场景，它将成为将来讨论的基础。 接下来，我们将讨论一些关于后验概率的数学，也称为贝叶斯定理。 这是朴素贝叶斯分类器的核心部分。 最后，我们将探索python的sklearn库，并在Python的朴素贝叶斯分类器上编写一小段代码，以解决我们在开始时讨论的问题。
本章分为两个部分。 第一部分描述了朴素贝叶斯分类器的工作原理。 第二部分包括使用sklearn库的Python编程练习，该库提供了朴素贝叶斯分类器。 稍后，我们将讨论我们训练的程序的准确性。
朴素贝叶斯分类器
朴素贝叶斯分类器计算每个因素的概率（对于电子邮件示例，给定输入功能将是Alice和Bob）。 然后选择概率最高的结果。
该分类器假定功能（在这种情况下，我们有单词作为输入）是独立的。 因此，Naive这个词表示该假设。 即使这样，它还是用于
· 实时预测
· 文字分类/垃圾邮件过滤
· 推荐系统
因此在数学上我们可以写成
如果我们有某个事件E和测试参与者x1，x2，x3等。
我们首先计算P（x1 | E），P（x2 | E）…[作为事件E发生时x1的概率读取]，然后选择具有最大概率值的测试参与者x。
我希望这能很好地解释什么是朴素贝叶斯分类器。 在下一部分中，我们将在Python中使用sklearn并实现Naive Bayes分类器以将电子邮件标记为垃圾邮件或火腿。 如果您需要任何帮助或有任何建议，请在下面的部分中进行评论。
想象一下两个人Alice和Bob的单词用法模式。 为了使示例简单，我们假设Alice经常使用三个单词[爱，伟大，美妙]的组合，而Bob经常使用单词[狗，球，美妙]。
假设您收到了匿名电子邮件，发件人可以是Alice或Bob。 可以说电子邮件的内容是"我爱沙滩。 此外，海滩的日落美妙景色尽收眼底"
您能猜出谁是发件人吗？
好吧，如果您猜到它是Alice，那您是正确的。 也许您的推理将是内容包含爱丽丝（Alice）使用的爱，伟大和美好的词。
现在，我们在已有的数据中添加一个组合和概率。假设Alice和Bob使用以下带有概率的单词，如下所示。 现在，您能猜出谁是该内容的发件人："美妙的爱"。
Probability of word usage of Alice and Bob
现在您怎么看？
如果您猜是Bob，那是对的。 如果您了解其中的数学知识，对您有好处。 如果没有，请不要担心，我们将在下一部分中进行操作。 这就是我们应用贝叶斯定理的地方。
贝叶斯定理
它告诉我们给定B发生时A发生的概率，记为P（A | B），当我们知道给定B发生时B发生的概率，记为P（B | A），以及A和B各自发生的可能性 。
· P（A | B）是"给定B的A的概率"，即给定B发生的A的概率
· P（A）是A的概率
· P（B | A）是"给定A时B的概率"，即给定A发生时B的概率
· P（B）是B的概率
如果P（火）表示发生火灾的概率，而P（烟）表示发生烟雾的概率，则：
P（火|烟）表示当我们看到烟雾时发生火的概率。 P（Smoke | Fire）表示发生火灾时我们看到烟雾的概率。
因此，当我们知道"向后"时，公式的类型会告诉我们"向前"（反之亦然）
示例：如果因工厂发生的危险火灾很少（1％），但烟雾相当普遍（10％），并且90％的危险火灾会冒烟，则：
P（火|烟）= P（火）P（烟|火）= 1％x 90％= 9％P（烟）10％
在这种情况下，有9％的时间预计烟雾将意味着危险的火灾。
现在，您可以将其应用于Alice和Bob的示例吗？
(本文翻译自Savan Patel的文章《Chapter 1 : Supervised Learning and Naive Bayes Classification — Part 1 (Theory)》，参考：https://medium.com/machine-learning-101/chapter-1-supervised-learning-and-naive-bayes-classification-part-1-theory-8b9e361897d5)
本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.souzhinan.com/kj/303416.html