朴素贝叶斯分类算法原理与朴素贝叶斯分类算法原理与Python实现与使用方法案例实现与使用方法案例
本文实例讲述了朴素贝叶斯分类算法原理与Python实现与使用方法。分享给大家供大家参考，具体如下：
朴素贝叶斯分类算法朴素贝叶斯分类算法
1、朴素贝叶斯分类算法原理、朴素贝叶斯分类算法原理
1.1、概述、概述
贝叶斯分类算法贝叶斯分类算法是一大类分类算法的总称
贝叶斯分类算法以样本可能属于某类的概率来作为分类依据样本可能属于某类的概率来作为分类依据
朴素贝叶斯分类算法朴素贝叶斯分类算法是贝叶斯分类算法中最简单的一种
注：朴素的意思是条件概率独立性
P(A|x1x2x3x4)=p(A|x1)*p(A|x2)p(A|x3)p(A|x4)则为条件概率独立
P(xy|z)=p(xyz)/p(z)=p(xz)/p(z)*p(yz)/p(z)
1.2、算法思想、算法思想
朴素贝叶斯的思想思想是这样的：
如果一个事物在一些属性条件发生的情况下，事物属于A的概率>属于B的概率，则判定事物属于A
通俗来说比如，你在街上看到一个黑人，我让你猜这哥们哪里来的，你十有八九猜非洲。为什么呢？
在你的脑海中，有这么一个判断流程：
①、这个人的肤色是黑色 <特征>
②、黑色人种是非洲人的概率最高 <条件概率：黑色条件下是非洲人的概率>
③、没有其他辅助信息的情况下，最好的判断就是非洲人
这就是朴素贝叶斯的思想基础。
再扩展一下，假如在街上看到一个黑人讲英语，那我们是怎么去判断他来自于哪里？
提取特征：提取特征：
肤色： 黑
语言： 英语
黑色人种来自非洲的概率： 80%
黑色人种来自于美国的概率：20%
讲英语的人来自于非洲的概率：10%
讲英语的人来自于美国的概率：90%
在我们的自然思维方式中，就会这样判断：
这个人来自非洲的概率：80% * 10% = 0.08
这个人来自美国的概率：20% * 90% =0.18
我们的判断结果就是：此人来自美国！
其蕴含的数学原理如下：其蕴含的数学原理如下：
p(A|xy)=p(Axy)/p(xy)=p(Axy)/p(x)p(y)=p(A)/p(x)*p(A)/p(y)* p(xy)/p(xy)=p(A|x)p(A|y)
P(类别类别 | 特征特征)=P(特征特征 | 类别类别)*P(类别类别) / P(特征特征)
1.3、算法步骤、算法步骤
①、分解各类先验样本数据中的特征
②、计算各类数据中，各特征的条件概率
（比如：特征1出现的情况下，属于A类的概率p(A|特征1)，属于B类的概率p(B|特征1)，属于C类的概率p(C|特征1)……）
③、分解待分类数据中的特征（特征1、特征2、特征3、特征4……）
④、计算各特征的各条件概率的乘积，如下所示：
判断为A类的概率：p(A|特征1)*p(A|特征2)*p(A|特征3)*p(A|特征4)…..
判断为B类的概率：p(B|特征1)*p(B|特征2)*p(B|特征3)*p(B|特征4)…..
判断为C类的概率：p(C|特征1)*p(C|特征2)*p(C|特征3)*p(C|特征4)…..
……
⑤、结果中的最大值就是该样本所属的类别
1.4、算法应用举例、算法应用举例
大众点评、淘宝等电商上都会有大量的用户评论，比如：
1、衣服质量太差了！！！！颜色根本不纯！！！ 0
2、我有一有种上当受骗的感觉！！！！ 0
3、质量太差，衣服拿到手感觉像旧货！！！ 0
4、上身漂亮，合身，很帅，给卖家点赞 1
5、穿上衣服帅呆了，给点一万个赞 1
6、我在他家买了三件衣服！！！！质量都很差！ 0
其中1/2/3/6是差评，4/5是好评
现在需要使用朴素贝叶斯分类算法来自动分类其他的评论，比如：
a、这么差的衣服以后再也不买了
b、帅，有逼格
……
1.5、算法应用流程、算法应用流程
①、分解出先验数据中的各特征
（即分词，比如“衣服”“质量太差”“差”“不纯”“帅”“漂亮”，“赞”……）
②、计算各类别（好评、差评）中，各特征的条件概率
（比如 p(“衣服”|差评)、p(“衣服”|好评)、p(“差”|好评) 、p(“差”|差评)……）
③、分解出待分类样本的各特征
（比如分解a： “差” “衣服” ……）
④、计算类别概率
评论0