朴素贝叶斯基本原理&sklearn实现-理论

先验概率：根据以往的分析经验得到的概率，先验概率不需要样本数据
后验概率：根据数据的特征进行分析
联合概率：几个事件同时发生的概率，P(瓜熟，瓜蒂脱落）

1. 定义
   贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。 而朴素朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法， 分类原理就是利用 ### 贝叶斯公式 ### 根据某特征的先验概率计算出其后验概率，然后选择具有最大后验概率作为该特征所属的类。
   贝叶斯公式：。。。。
   转化： ### p(类别|特征)=p(特征|类别)*p(类别)/p(特征) ###

   朴素贝叶斯：假设 ### 各个特征之间相互独立 ###

2. 拉普拉斯平滑
   在某个分类下， 为防止训练集中某个特征值和某个类别未同时出现过，导致预测概率为0。 所以需要进行平滑处理 。当平滑系数为1时，为拉普拉斯平滑。

3. sklearn中的朴素贝叶斯算法 api， 参考：https://zhuanlan.zhihu.com/p/366787872

在scikit-learn库，根据特征数据的先验分布不同，给我们提供了5种不同的朴素贝叶斯分类算法
（sklearn.naive_bayes: Naive Bayes模块），分别是
        伯努利朴素贝叶斯（BernoulliNB），
        类朴素贝叶斯（CategoricalNB），
        高斯朴素贝叶斯（GaussianNB）、
        多项式朴素贝叶斯（MultinomialNB）、
        补充朴素贝叶斯（ComplementNB） 。

4. 朴素贝叶斯分类器适用于以下场景
   朴素贝叶斯分类器的应用场景非常广泛，只要能将问题转化为分类问题，且能够使用先验概率和条件概率来描述问题，都可以考虑使用朴素贝叶斯分类器。

1.文本分类:可以用于垃圾邮件过滤、新闻分类、情感分析等。
2.个性化推荐:可以用于基于用户历史数据进行推荐，如购物网站的商品推荐、音乐推荐等。
3.生物信息学:可以用于基因分类、蛋白质分类等。
4.医学诊断:可以用于疾病分类、药物疗效预测等。
5.图像识别:可以用于图像分类、人脸识别等
6.金融风险评估:可以用于信用评估、欺诈检测等。