2023學(xué)年完整公開(kāi)課版貝葉斯學(xué)習(xí)

機(jī)器學(xué)習(xí)

——貝葉斯算法頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程內(nèi)容綱要更純粹的概率問(wèn)題123能力提升在于實(shí)踐456條件概率與貝葉斯貝葉斯分類器的基本方法連續(xù)型變量中的貝葉斯分類器貝葉斯需要注意的一些問(wèn)題相關(guān)API與超參數(shù)頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程全面推動(dòng)學(xué)習(xí)者能力提升升級(jí)實(shí)踐教學(xué)激發(fā)技術(shù)創(chuàng)新助力產(chǎn)業(yè)變革機(jī)器學(xué)習(xí)

——貝葉斯算法頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程更純粹的概率問(wèn)題更純粹的概率問(wèn)題如果我們對(duì)一個(gè)事件（類型）的概率信息予以掌握那就可以輕易判斷這個(gè)事件（類型）卡車轎車SUV0.10.70.2更純粹的概率問(wèn)題03091720212906最基本的古典概型從袋子中拿到藍(lán)球的概率更復(fù)雜但本質(zhì)上相同的古典概型雙色球中一等獎(jiǎng)的概率概率：概率：不可能的任務(wù)(實(shí)際概率為)

更純粹的概率問(wèn)題如何計(jì)算某個(gè)事件（類別）發(fā)生的概率？頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程全面推動(dòng)學(xué)習(xí)者能力提升升級(jí)實(shí)踐教學(xué)激發(fā)技術(shù)創(chuàng)新助力產(chǎn)業(yè)變革機(jī)器學(xué)習(xí)

——貝葉斯算法頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程條件概率和貝葉斯定理?xiàng)l件概率與貝葉斯定理如何計(jì)算某個(gè)事件（類別）發(fā)生的概率？條件概率與貝葉斯定理隨便一個(gè)人，P（帥）=0.2隨便一個(gè)騰訊的工程師，P（帥）=0.05先驗(yàn)概率固有的知識(shí)條件后驗(yàn)概率更新的知識(shí)條件概率與貝葉斯定理?xiàng)l件概率與貝葉斯定理P(A|B)=[P(B|A)*P(A)]/P(B)條件概率貝葉斯定理：條件概率與貝葉斯定理貝葉斯定理英國(guó)數(shù)學(xué)家托馬斯·貝葉斯（ThomasBayes）條件概率與貝葉斯定理?xiàng)l件概率與貝葉斯定理頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程全面推動(dòng)學(xué)習(xí)者能力提升升級(jí)實(shí)踐教學(xué)激發(fā)技術(shù)創(chuàng)新助力產(chǎn)業(yè)變革機(jī)器學(xué)習(xí)

——貝葉斯算法頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程貝葉斯分類器的基本方法貝葉斯分類器的基本方法speakingcodinglate_workdrinkday1lowhighy喝day2lowhighy喝day3lowlown沒(méi)喝day4highhighy喝day5midhighy?貝葉斯分類器的基本方法speakingcodinglate_workdrinkday1lowhighy喝day2lowhighy喝day3lowlown沒(méi)喝day4highhighy喝day5midhighy?訓(xùn)練測(cè)試貝葉斯分類器的基本方法speakingcodinglate_workdrinkday1lowhighy喝day2lowhighy喝day3lowlown沒(méi)喝day4highhighy喝day5midhighy喝day6highlown沒(méi)喝day7midlown喝day8lowhighy喝day9midhighy喝day10highhighy喝day11highhighy喝…………………………day30highlowy喝貝葉斯分類器的基本方法drinkyesnospeakinglow9211/30mid718/30high8311/3024/306/30計(jì)算在speaking=“l(fā)ow”的情況下，drink為“喝”與“沒(méi)喝”的概率。貝葉斯分類器的基本方法貝葉斯分類器的基本方法drinkyesnocodinghigh19120/30low5510/3024/306/30drinkyesnolate_workyes21223/30no347/3024/306/30drinkyesnospeakinglow9211/30mid718/30high8311/3024/306/30speakingcodinglate_workdrinkday1lowhighy喝day2lowhighy喝day3lowlown沒(méi)喝day4highhighy喝day5midhighy喝day6highlown沒(méi)喝day7midlown喝day8lowhighy喝day9midhighy喝day10highhighy喝day11highhighy喝…………………………day30highlowy喝貝葉斯分類器的基本方法drinkyesnocodinghigh19120/30low5510/3024/306/30drinkyesnolate_workyes21223/30no347/3024/306/30drinkyesnospeakinglow9211/30mid718/30high8311/3024/306/30一個(gè)陰云密布的周末，我與產(chǎn)品經(jīng)理撕逼，拼命寫(xiě)代碼，加班。(Speaking=high,Coding=high,late_work=yes)該條件下，如果根據(jù)以往數(shù)據(jù)，構(gòu)建一個(gè)分類器，我是喝還是不喝？貝葉斯分類器的基本方法drinkyesnocodinghigh19120/30low5510/3024/306/30drinkyesnolate_workyes21223/30no347/3024/306/30drinkyesnospeakinglow9211/30mid718/30high8311/3024/306/30一個(gè)陰云密布的周末，我與產(chǎn)品經(jīng)理撕逼，拼命寫(xiě)代碼，加班(Speaking=high,Coding=high,late_work=yes)該條件下，如果根據(jù)以往數(shù)據(jù)，構(gòu)建一個(gè)分類器，我是喝還是不喝？貝葉斯分類器的基本方法day??highhighy??貝葉斯分類器的基本方法如何計(jì)算某個(gè)事件（類別）發(fā)生的概率？根據(jù)訓(xùn)練數(shù)據(jù)，統(tǒng)計(jì)或估計(jì)貝葉斯公式中的已知量，根據(jù)貝葉斯定理計(jì)算出結(jié)果概率。頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程全面推動(dòng)學(xué)習(xí)者能力提升升級(jí)實(shí)踐教學(xué)激發(fā)技術(shù)創(chuàng)新助力產(chǎn)業(yè)變革機(jī)器學(xué)習(xí)

——貝葉斯算法頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程連續(xù)變量中的貝葉斯分類器連續(xù)型變量中的貝葉斯分類器speakingcodinglate_workdrinkday1lowhighy喝day2lowhighy喝day3lowlown沒(méi)喝day4highhighy喝day5midhighy喝day6highlown沒(méi)喝day7midlown喝day8lowhighy喝day9midhighy喝day10highhighy喝day11highhighy喝…………………………day30highlowy喝speakingcodingday186喝day296喝day380喝day465喝day570喝day680喝day780喝day890喝day975喝day1085沒(méi)喝day1190沒(méi)喝day1270沒(méi)喝day1385沒(méi)喝day1491沒(méi)喝連續(xù)型變量中的貝葉斯分類器如何計(jì)算某個(gè)連續(xù)事件（類別）發(fā)生的概率？根據(jù)訓(xùn)練數(shù)據(jù)，統(tǒng)計(jì)或估計(jì)貝葉斯公式中的已知量，根據(jù)貝葉斯定理計(jì)算出結(jié)果概率。連續(xù)型變量中的貝葉斯分類器speakingdrinkday186喝day296喝day380喝day465喝day570喝day680喝day780喝day890喝day975喝day1085沒(méi)喝day1190沒(méi)喝day1270沒(méi)喝day1385沒(méi)喝day1491沒(méi)喝一個(gè)項(xiàng)目剛剛交接的初期兩個(gè)星期之中我與產(chǎn)品經(jīng)理每天撕逼的時(shí)間如果某一天的撕逼時(shí)間為88.5(speaking=88.5)在這種情況下，建立一個(gè)模型預(yù)測(cè)會(huì)不會(huì)喝酒？111連續(xù)型變量中的貝葉斯分類器如何計(jì)算某個(gè)事件（類別）發(fā)生的概率？根據(jù)訓(xùn)練數(shù)據(jù)，統(tǒng)計(jì)或估計(jì)貝葉斯公式中的已知量，根據(jù)貝葉斯定理計(jì)算出結(jié)果概率。離散型變量連續(xù)型變量連續(xù)型變量中的貝葉斯分類器對(duì)于連續(xù)型變量貝葉斯分類器假設(shè)其符合高斯分布連續(xù)型變量中的貝葉斯分類器speakingcodingday186喝day296喝day380喝day465喝day570喝day680喝day780喝day890喝day975喝day1085沒(méi)喝day1190沒(méi)喝day1270沒(méi)喝day1385沒(méi)喝day1491沒(méi)喝Mean(喝)=80.22std（喝)=9.62Mean(不喝)=84.2std（不喝)=8.40連續(xù)型變量中的貝葉斯分類器speakingcodingday186喝day296喝day380喝day465喝day570喝day680喝day780喝day890喝day975喝day1085沒(méi)喝day1190沒(méi)喝day1270沒(méi)喝day1385沒(méi)喝day1491沒(méi)喝Mean(喝)=80.22std（喝)=9.62Mean(不喝)=84.2std（不喝)=8.40頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程全面推動(dòng)學(xué)習(xí)者能力提升升級(jí)實(shí)踐教學(xué)激發(fā)技術(shù)創(chuàng)新助力產(chǎn)業(yè)變革機(jī)器學(xué)習(xí)

——貝葉斯算法頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程一些需要注意的問(wèn)題貝葉斯需要注意的一些問(wèn)題應(yīng)用場(chǎng)景：主要是文本分類，文本情感識(shí)別，垃圾郵件分類等等

貝葉斯本身不僅僅能夠應(yīng)用到實(shí)際場(chǎng)景中去

同時(shí)也是諸多機(jī)器學(xué)習(xí)方法的基石

比如機(jī)器學(xué)習(xí)中的高級(jí)自動(dòng)調(diào)參方法貝葉斯優(yōu)化

使用貝葉斯的假設(shè)前提：各個(gè)變量（特征）之間相互獨(dú)立優(yōu)點(diǎn)： 1，快，非?？?，只需要統(tǒng)計(jì)或者估算概率，然后使用公式計(jì)算 2，理論上來(lái)說(shuō)，需要的樣本量并不大，而且效果很好 3，非常適合離散型變量分析 4，多分類和二分類處理起來(lái)完全一樣使用時(shí)需要注意：頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程全面推動(dòng)學(xué)習(xí)者能力提升升級(jí)實(shí)踐教學(xué)激發(fā)技術(shù)創(chuàng)新助力產(chǎn)業(yè)變革機(jī)器學(xué)習(xí)

——貝葉斯算法頭歌教學(xué)研究中心頭歌人工智能專業(yè)系列課程相關(guān)API和超參數(shù)相關(guān)API和超參數(shù)在sklearn中實(shí)現(xiàn)了三類樸素貝葉斯：GaussianNB(高斯樸素貝葉斯)適用于連續(xù)型數(shù)值，MultinomialNB(多項(xiàng)式樸素貝葉斯)常用于文本分類，特征是單詞，值是單詞出現(xiàn)的次數(shù)

BernoulliNB(伯努利樸素貝葉斯)所用特征為全局特征，只是它計(jì)算的不是單詞的數(shù)量，而是出現(xiàn)則為1，否則為0。也就是特征等權(quán)重。相關(guān)API和超參數(shù)高斯樸素貝葉斯：

fromsklearn.naive_bayesimportGaussianNBclf=GaussianNB()#建立一個(gè)簡(jiǎn)單的NB模型。clf.priors#返回各類標(biāo)記對(duì)應(yīng)先驗(yàn)概率組成的列表clf.class_prior_屬性：同priors一樣，都是獲取各個(gè)類標(biāo)記對(duì)應(yīng)的先驗(yàn)概率，區(qū)別在于priors屬性返回列表，class_prior_返回的是數(shù)組clf.theta_：獲取各個(gè)類標(biāo)記在各個(gè)特征上的均值clf.sigma_：獲取各個(gè)類標(biāo)記在各個(gè)特征上的方差相關(guān)API和超參數(shù)GaussianNB的一些方法get_params(deep=True)：返回priors與其參數(shù)值組成字典set_params(**params)：設(shè)置估計(jì)器priors參數(shù)fit(X,y)：訓(xùn)練樣本，X表示特征向量，y類標(biāo)記，predict(X)：直接輸出測(cè)試集預(yù)測(cè)的類標(biāo)記predict_proba(X)：輸出測(cè)試樣本在各個(gè)類標(biāo)記預(yù)測(cè)概率值score(X,y,sample_weight=None)：返回測(cè)試樣本映射