天才一秒记住【久久文学】地址：https://www.jjwxx.com
第二节朴素贝叶斯分类算法
banner"
>
贝叶斯公式能做很多事情，它的一个典型的应用是解决人工智能中的分类问题。
基于贝叶斯公式的分类方法有广泛的应用，包括文本分类、基因筛选、拼写检查、推荐系统、图像识别、投资决策等。
本节将介绍一种使用贝叶斯公式的最简单的分类算法，称为朴素贝叶斯分类算法。
朴素贝叶斯分类算法自20世纪50年代就已有广泛研究，并被应用于文本分类。
这种算法具有收敛速度快、需要的训练数据少、分类准确性高等优点，所以直到现在，依然是在各种分类任务中使用的热门方法。
下面描述如何用这种方法解决多分类问题。
令D表示需要处理的分类对象构成的集合，它包含m个类别，分别用C1，C2，…，Cm表示。
进行分类前，需要确定分类对象的特征属性。
设有n个特征属性，用A1，A2，…，An表示。
对于任意的分类对象x∈D，它的特征属性值用一个n维向量（a1，a2，…，an）表示，这表示对于这个元素x，它的属性值分别是A1=a1，A2=a2，…，An=an。
有了这些定义，需要实现的任务可以按如下方式描述。
对D中的每一个元素x，使用它特征属性的取值（a1，a2，…，an），从C1，C2，…，Cm中确定它所属的类别。
如何利用贝叶斯公式实现这样的目的呢？简单起见，设x的特征属性值是（a1，a2，…，an），用A表示随机事件（A1，A2，…，An）=（a1，a2，…，an），用Ck表示x属于第k个类别。
通过贝叶斯公式计算如下条件概率
P（C1|A），P（C2|A），…，P（Cm|A）
若其中P（Ck|A）=max{P（C1|A），P（C2|A），…，P（Cm|A）}，则说明在已知特征属性值的条件下，元素x属于第k个类别的概率是最大的。
那么就判定它属于类别Ck，这当然是一种非常合理的选择，朴素贝叶斯分类就是遵循这样的思路来实现预定的分类任务。
为了实现这个想法，具体的步骤和技巧如下。
首先准备包含类别标记的训练数据。
这可以理解为，训练数据中的每一个元素x对应到一个向量（cx，a1，a2，…，an），其中cx表示它所属的类别，（a1，a2，…，an）表示特征属性的取值，元素x所属的类别通常是通过人工标注来判断的。
贝叶斯分类是一种机器学习的方法，学习的含义可以理解为从已有的数据中学习“知识”
，通过这种学习来获得对未知类别的数据进行分类的能力。
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！