1 什么是朴素贝叶斯算法

2 概率基础

2.1 概率(Probability)定义

概率定义为一件事情发生的可能性
扔出一个硬币，结果头像朝上
某天是晴天
P(X) : 取值在[0, 1]

2.2 女神是否喜欢计算案例

在讲这两个概率之前我们通过一个例子，来计算一些结果：

问题：一直小明是产品经理，体重超重，问她会不会别女神喜欢（二分类问题）
1、女神喜欢的概率?
p(4/7)
2、职业是程序员并且体型匀称的概率?
p(程序员，匀称)=1/7
3、在女神喜欢的条件下，职业是程序员的概率?
p(程序员|喜欢)=1/2
4、在女神喜欢的条件下，职业是产品，体重是超重的概率?
p(程序员，超重|喜欢)=1/4

2.3 条件概率与联合概率

联合概率：包含多个条件，且所有条件同时成立的概率
记作：P(A,B)
特性：P(A, B) = P(A)P(B)
条件概率：就是事件A在另外一个事件B已经发生条件下的发生概率
记作：P(A|B)
特性：P(A1,A2|B) = P(A1|B)P(A2|B)

3.贝叶斯公式

特征与特征之间相互独立也就是p(AB)=p(A)*p(B)


公式分为三个部分：

P(C)：每个文档类别的概率(某文档类别数／总文档数量)
P(W│C)：给定类别下特征（被预测文档中出现的词）的概率
计算方法：P(F1│C)=Ni/N （训练文档中去计算）
Ni为该F1词在C类别所有文档中出现的次数
N为所属类别C下的文档所有词出现的次数和
P(F1,F2,…) 预测文档中每个词的概率
如果计算两个类别概率比较：

3.2 文章分类计算

假设我们从训练数据集得到如下信息

科技：P(科技|影院,支付宝,云计算) = 

标签：概率,算法,贝叶斯,3.4,train,test,import,sklearn	

From： https://www.cnblogs.com/lipu123/p/17471648.html