人工智能算法贝叶斯算法

人工智能朴素贝叶斯目录计算事物发生的可能性利用贝叶斯推荐商品算法的改进算法的评价1234编程实现朴素贝叶斯5计算事物发生的可能性1从右侧的容器中取出100元面额纸币的概率P(100)=？从右侧的容器中取出100元面额纸币的概率P(100)=2/5从右侧的容器中取出100元面额纸币的概率P(100)=2/5？取出50元面额纸币的概率P(50)=从右侧的容器中取出100元面额纸币的概率P(100)=2/5取出50元面额纸币的概率P(50)=3/5？如何计算和表达拿到蓝色50元纸币的概率呢？010203第一种方法拿到蓝色纸币的概率P(蓝)=2/5蓝色中50元纸币的概率P(50|蓝)=1/2那么，拿到蓝色50元纸币的概率是1/5010203第二种方法拿到50元纸币的概率P(50)=3/550元纸币中蓝色纸币的概率P(蓝|50)=1/3那么，拿到蓝色50元纸币的概率是1/5由此可以得出P(蓝)P(50|蓝)=P(50)P(蓝|50)P(50|蓝)=P(50)P(蓝|50)/P(蓝)P(a|b)=P(a)P(b|a)/P(b)贝叶斯公式今天刮风，那么会下雨吗？

P(下雨|刮风)=P(下雨)P(刮风|下雨)/P(刮风)通过对以往记录的计算判断

P(下雨)P(刮风|下雨)P(刮风)记录一年天气情况例如下雨时间61天，那么下雨的概率P(下雨)=？记录一年天气情况例如下雨时间61天，那么下雨的概率P(下雨)=1/6刮风时间122天，那么刮风的概率P(刮风)=？记录一年天气情况例如下雨时间61天，那么下雨的概率P(下雨)=1/6刮风时间122天，那么刮风的概率P(刮风)=1/3记录一年天气情况例如下雨时间61天，那么下雨的概率P(下雨)=1/6刮风时间122天，那么刮风的概率P(刮风)=1/3根据记录查询得知，以往下雨时刮风的概率是1/2P(刮风|下雨)=?记录一年天气情况例如下雨时间61天，那么下雨的概率P(下雨)=1/6刮风时间122天，那么刮风的概率P(刮风)=1/3根据记录查询得知，以往下雨时刮风的概率是1/2P(刮风|下雨)=1/2由此可以得出，P(下雨|刮风)=(1/6)*(1/2)/(1/3)=1/4表达式数值P(下雨|刮风)0.25P(冰雹|刮风)0.08P(晴天|刮风)0.28P(阴天|刮风)0.27............如果一定要选一个结果做天气预报，该选哪一个结果呢？P(a|b)=P(a)P(b|a)/P(b)贝叶斯公式上述贝叶斯公式虽能解决问题，但是决定a的只有一个条件b吗？如何兼顾很多条件？01朴素贝叶斯的条件独立假设：假设各特征之间相互独立02其中，P(x)对所有属性相同，可以省略属性独立性假设在实际情况中很难成立；但为什么朴素贝叶斯仍能取得较好的效果?朴素贝叶斯的最终公式01利用朴素贝叶斯方法进行分类，就是在诸多猜测结果中给出最优结果。02只要各类别的条件概率排序正确，无需精准概率值，就可以得到正确的分类。本小节结束！人工智能朴素贝叶斯目录计算事物发生的可能性利用贝叶斯推荐商品算法的改进算法的评价1234编程实现朴素贝叶斯5利用贝叶斯推荐商品2某网站记录了一系列用户的消费行为TF表示有此类消费表示无此类消费训练集训练集测试集预测训练集的数据共12条啤酒的数据6条口红的数据6条啤酒分类的概率P(b)=0.5口红分类的概率P(l)=0.5将“T”替换成“1”将“F”替换成“0”好处清点统计条目数量时，只需要简单求和运算将“T”替换成“1”将“F”替换成“0”好处清点统计条目数量时，只需要简单求和运算计算条件概率：用求平均值的办法将“T”替换成“1”将“F”替换成“0”好处清点统计条目数量时，只需要简单求和运算计算条件概率：用求平均值的办法获得相反行为的概率应该向消费者推荐口红还是啤酒？啤酒数据口红数据测试集数据01以第7条数据为例02P(b|data7)=P(b)P(t|b)P(m|b)P(l|b)P(e|b)

03同理，P(l|data7)=0.0116

由此得出，应该推荐啤酒。=0.5*0.3333*0.6667*0.8333*0.8333=0.0771本小节结束！人工智能朴素贝叶斯目录计算事物发生的可能性利用贝叶斯推荐商品算法的改进算法的评价1234编程实现朴素贝叶斯5算法的改进3如果某属性的条件概率出现0值那么p(b|data7)=0.5*0*0.6667*0.8333*0.8333=0结果是应该向顾客推荐口红错误的结论！01为了避免这种情况的发生，引入“平滑计算”02“拉普拉斯平滑”是一种常用的平滑方式03在计算概率时分子递增1，而分母加上训练集总的分类数，这样就保证在偏差不大的情况下去除了“0”值的问题。本小节结束！人工智能朴素贝叶斯目录计算事物发生的可能性利用贝叶斯推荐商品算法的改进算法的评价1234编程实现朴素贝叶斯5算法的评价4区域1区域2训练集和测试集将对算法的构建和评价产生很大影响区域1区域2训练集和测试集将对算法的构建和评价产生很大影响结论数据选取的要点是“均匀覆盖”无论训练集和测试集，都应该保证数据属性的均匀并且最好覆盖到所有类型的数据和数据属性扩大数据集是消除偏差的最有效方法过拟合对现有样本数量训练强度过大导致模型用“训练集的特殊性”代替了现实世界的普遍性特点在“测试集”上表现优异到了泛化阶段，性能下降严重分配训练集和测试集的原则尽量不相交将数据分成k个不交叉集合，每次用k-1个集合做训练集，用剩下的数据做测试集k折交叉验证法（kfoldcrossvalidation）全面性准确性模型的评价应该从两个方面入手准确性利用人工智能方法检测网络环境中安全问题，发现10个问题，经检验其中9个确实是安全问题，那么这个人工智能模型应用的准确率是？准确性利用人工智能方法检测网络环境中安全问题，发现10个问题，经检验其中9个确实是安全问题，那么这个人工智能模型应用的准确率是90%如何提高准确率呢？在上述例子中，我们只发现5个问题，而这5个问题又确实是安全问题，这时准确率是100%。——这种检测方法好不好呢？显然，召回率下降了全面性如何提高“召回率“呢？——”捕风捉影”在上述例子中，实际上有10个安全问题，我们找出了20个问题，但是完全覆盖需要找出的10个安全问题，这时召回率100%。但是准确率呢？下降了。模型的评价应该从两个方面入手准确性——准确率全面性——召回率召回率和准确率是一对矛盾概念，根据实际需要，侧重不同评