这两天学习了一个相对比较简单但是十分实用的分类算法——贝叶斯分类算法，与我做项目使用的svm算法相比确实有很多精妙之处，。好比撒尿牛丸——好吃又好玩，而贝叶斯分类器则是简单又强大。
本文结合简单天气预报进行讲解。
贝叶斯定理：
贝叶斯定理是概率论里面一个计算条件概率的法器！为什么是法器，且看后文。先摆出计算公式：
如果用H表示湿度，并且湿度分为1、2、3级分别表示为h1、h2、h3； 而云层密度用G表示，也分为1、2、3级，分别用g1、g2、g3表示；另外，天气W表示，分为1、2两级，晴天和雨天分别表示为w1、w2 。
那么，通过以往的数据我们可以统计
出现晴天或者雨天结果时（条件）
h和g出现
的概率，即：P（ H | W）、和 P( G | W ) ，其中H、G、W在之前提到的分级值范围内取值, 如果空气湿度H和云层密度G 相对独立，那么天气预报转换为求：
P
=P(W |G,H )
=P(W|G)
xP(W|H)
利用之前的公式转化为：
这两天学习了一个相对比较简单但是十分实用的分类算法——贝叶斯分类算法，与我做项目使用的svm算法相比确实有很多精妙之处，。好比撒尿牛丸——好吃又好玩，而贝叶斯分类器则是简单又强大。本文结合简单天气预报进行讲解。贝叶斯定理：贝叶斯定理是概率论里面一个计算条件概率的法器！为什么是法器，且看后文。先摆出计算公式：也许乍一看这公式没什么，但是我们先将公式移项得：P(A|B)P(B)=P
基于概率论的
分类
方法：
朴素
贝
叶斯
1. 概述
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
。本章首先介绍
贝
叶斯
分类
算法
的基础——
贝
叶斯
定理。最后，我们通过实例来讨论
贝
叶斯
分类
的中最
简单
的一种:
朴素
贝
叶斯
分类
。
2.
贝
叶斯
理论 & 条件概率
2.1
贝
叶斯
理论
我们现在有一个数据集，它由两类数据组成，数据分布如下图所示：
我们现在用 p1(x,y) 表示数据点 (x,y) 属于类别 1（图中用圆点表示的类别）的概率，用 p2(x,y) 表示数据点 (x,y) 属于类别 2（图中三角形表示的类别）的概率，那么对于一个新数据点
#导入数据
df_ferrara = pd.read_csv('WeatherData/ferrara_270615.csv')
df_milano = pd.read_csv('WeatherData/milano_270615.csv')
df_mant...
过去的7天当中，有3天下雨，4天没有下雨。用0代表灭有下雨，而1代表下雨，我们可以用一个数组来表示：
y=[0,1,1,0,1,0,0]
而在这7天当中，还有另外一些信息，包括刮北风，闷热，多云，以及
天气
预报
给出的信息，如下表：
对于一维数组或者列表，unique函数去除其中重复的元素，并按元素由大到小返回一个新的无重复元素的元组或者列表。
先上问题吧，我们统计了14天的气象数据(指标包括outlook，temperature，humidity，windy)，并已知这些
天气
是否打球(play)。如果给出新一天的气象指标数据:sunny,cool,high,TRUE，判断一下会不会去打球。
table 1
outlook
temperature
humidity
windy
sunny
ho...
朴素
贝
叶斯
是一种基于
贝
叶斯
定理的
分类
方法。该
算法
是有监督的学习
算法
，解决
分类
问题。在该
算法
中，我们假设给定目标值时，属性之间相互条件独立，即
。
贝
叶斯
定理：对于
分类
问题，样本x属于类别y的概率
其中， P(y)是指未使用数据训练
分类
器之前的y的初始概率，称为先验概率； P(x|y)是样本x相对于类别y的类条件概率，称为似然； P(y|x)是给定x时，y成立的概率，称为后验概率；P(x)是归一
