贝叶斯方法和朴素贝叶斯算法
贝叶斯方法
主要内容：
贝叶斯简介：
贝叶斯（Thomas Bayes）是18世纪的英国数学家，他的贝叶斯方法源于解决“逆概”问题的文章，生前未受重视，死后才被认可。
正向概率与逆向概率：
正向概率：已知袋子中黑白球的数量，计算摸出黑球的概率。
逆向概率：不知道袋子中黑白球的比例，通过摸出的球的颜色推测袋子中黑白球的比例。
贝叶斯公式：
通过一个例子（男生穿长裤，女生一半穿长裤一半穿裙子）解释贝叶斯公式的应用，计算穿长裤的学生中女生的概率。
公式推导：P(Girl|Pants) = P(Girl) * P(Pants|Girl) / [P(Boy) * P(Pants|Boy) + P(Girl) * P(Pants|Girl)]，并说明总人数无关紧要。
朴素贝叶斯算法：
拼写纠正实例：通过贝叶斯方法推测用户实际想输入的单词，考虑先验概率和观测数据的可能性。
垃圾邮件分类实例：通过贝叶斯方法判断邮件是否为垃圾邮件，计算先验概率和条件概率。
朴素贝叶斯算法
主要内容：
多项式朴素贝叶斯（MultinomialNB）：
适用于离散型数据，如文本分类，常用统计单词出现次数。
代码示例：
from sklearn.naive_bayes import MultinomialNB
高斯朴素贝叶斯（GaussianNB）：
适用于连续型数据，如具体数字，基于正态分布。
代码示例：
from sklearn.naive_bayes import GaussianNB
伯努利朴素贝叶斯（BernoulliNB）：
适用于离散型数据且特征值为0和1，常用于文本分类中表示特征是否出现。
代码示例：
from sklearn.naive_bayes import BernoulliNB
朴素贝叶斯的代码实现：
课堂练习：使用朴素贝叶斯实现手写数字识别，下载数据集：
from sklearn.datasets import load_digits
机器学习中的贝叶斯方法
贝叶斯简介：
贝叶斯（Thomas Bayes）是18世纪的英国数学家，他的贝叶斯方法源于解决“逆概”问题的文章，生前未受重视，死后才被认可。
正向概率与逆向概率：
正向概率：已知袋子中黑白球的数量，计算摸出黑球的概率。
逆向概率：不知道袋子中黑白球的比例，通过摸出的球的颜色推测袋子中黑白球的比例。
贝叶斯公式：
通过一个例子（男生穿长裤，女生一半穿长裤一半穿裙子）解释贝叶斯公式的应用，计算穿长裤的学生中女生的概率。公式推导如下：
P(Girl∣Pants)=P(Boy)×P(Pants∣Boy)+P(Girl)×P(Pants∣Girl)P(Girl)×P(Pants∣Girl)
并且说明总人数无关紧要。
朴素贝叶斯算法：
拼写纠正实例：通过贝叶斯方法推测用户实际想输入的单词，考虑先验概率和观测数据的可能性。
垃圾邮件分类实例：通过贝叶斯方法判断邮件是否为垃圾邮件，计算先验概率和条件概率。
朴素贝叶斯算法的实现
多项式朴素贝叶斯（MultinomialNB）：
适用于离散型数据，如文本分类，常用统计单词出现次数。
代码示例：
from sklearn.naive_bayes import MultinomialNB
高斯朴素贝叶斯（GaussianNB）：
适用于连续型数据，如具体数字，基于正态分布。
代码示例：
from sklearn.naive_bayes import GaussianNB
伯努利朴素贝叶斯（BernoulliNB）：
适用于离散型数据且特征值为0和1，常用于文本分类中表示特征是否出现。
代码示例：
from sklearn.naive_bayes import BernoulliNB