seo优化有百度系和什么,百度推广怎么优化,网站维护常见问题,wordpress 去掉评论数贝叶斯定理对于机器学习来说是经典的概率模型之一#xff0c;它基于先验信息和数据观测来得到目标变量的后验分布。具体来说#xff0c;条件概率#xff08;也称为后验概率#xff09;描述的是事件A在另一个事件B已经发生的条件下的发生概率#xff0c;公式表示为P(A|B)它基于先验信息和数据观测来得到目标变量的后验分布。具体来说条件概率也称为后验概率描述的是事件A在另一个事件B已经发生的条件下的发生概率公式表示为P(A|B)读作“在B条件下A的概率”。
最常用的贝叶斯机器学习模型 朴素贝叶斯模型这是一个基于贝叶斯定理的分类算法其核心思想是对于给定的输入特征假设每个特征之间都是独立的。尽管这个假设在实际应用中可能不成立但朴素贝叶斯模型在许多场景下都表现出了很好的性能。 贝叶斯网络模型这是一个用于表示变量之间复杂关系的概率图模型。贝叶斯网络可以用于推断、学习和推理广泛应用于各种机器学习任务中。
基本原理
公式 其中
表示在B发生的情况下A发生的概率即得自B的取值而被称作A的后验概率表示在A发生的情况下B发生的概率即得自A的取值而被称作B的后验概率表示A发生的概率也称A的先验概率表示B发生的概率也称B的先验概率
例1 现分别有 A、B 两个容器在容器 A 里分别有 7 个红球和 3 个白球在容器 B 里有 1 个红球和 9 个白球那么从这两个容器里任意抽出了一个红球问这个球来自容器 A 的概率是多少? 首先我们先定义事件
A为选中A容器 B为抽出红球
已知
抽中红球的概率为8/20选中A容器的概率1/2在A容器内抽中红球的概率为7/10
求从这两个容器里任意抽出了一个红球问这个球来自容器 A 的概率是多少?
套入公式 解得 从这两个容器里任意抽出了一个红球这个球来自容器 A 的概率87.5% 例2 假设新冠状病毒测试用于检测是否感染了新冠状病毒。这个测试不是100%准确会有假阳性和假阴性的情况。那么测试结果为阳性的概率阳性率是98%测试结果为阴性的概率阴性率是95%实际感染新冠状病毒的人的概率患病率是1%现在有一个人的测试结果为阳性根据以上信息判断这个人是否真的感染了新冠状病毒。
阳性率阴性率患病率98%95%1%
首先我们先定义事件
测试结果为阳性实际感染了病毒未感染病毒
根据以上信息已知
在实际感染病毒患病的情况下测试结果为阳性的概率即真阳性率。这个值是98%在未感染病毒患病的情况下测试结果为阳性的概率即假阳性率。这个值是2%100%-98%实际感染病毒患病率为1%实际未感染新冠状病毒的概率即99%测试为阳性的总概率
使用全概率公式计算 其中表示事件A发生的概率表示对所有可能的状态求和表示状态的概率表示在状态下事件发生的概率。
代入贝叶斯公式计算
即测试结果为阳性是否真的感染了新冠状病毒的概率 解得 测试结果为阳性确认感染了新冠状病毒的概率约为33%。 朴素贝叶斯 朴素贝叶斯是一种基于贝叶斯定理的分类算法它假设特征之间相互独立。朴素贝叶斯在文本分类、垃圾邮件过滤、情感分析等领域有广泛应用。朴素贝叶斯的基本原理是对于给定的训练数据集计算每个类别的概率然后根据输入的特征计算属于每个类别的概率最后选择概率最大的类别作为预测结果。
示例
使用sklearn库的朴素贝叶斯分类器
from sklearn.datasets import fetch_openml # 导入fetch_openml函数用于加载Fashion MNIST数据集
from sklearn.model_selection import train_test_split # 导入train_test_split函数用于将数据集划分为训练集和测试集
from sklearn.naive_bayes import GaussianNB # 导入GaussianNB类用于创建朴素贝叶斯分类器
from sklearn.metrics import accuracy_score # 导入accuracy_score函数用于计算预测准确率# 加载Fashion MNIST数据集
fashion_mnist fetch_openml(fashion_mnist, version1)
X fashion_mnist.data # 获取数据集的特征
y fashion_mnist.target # 获取数据集的标签# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)# 创建朴素贝叶斯分类器
gnb GaussianNB()# 训练模型
gnb.fit(X_train, y_train)# 预测测试集结果
y_pred gnb.predict(X_test)# 输出预测准确率
print(朴素贝叶斯分类器预测准确率, accuracy_score(y_test, y_pred))
