歡迎來到監督學習的墊腳石。 我們首先討論一個小的場景，它將成為將來討論的基礎。 接下來，我們將討論一些關於後驗概率的數學，也稱為貝葉斯定理。 這是樸素貝葉斯分類器的核心部分。 最後，我們將探索python的sklearn庫，並在Python的樸素貝葉斯分類器上編寫一小段代碼，以解決我們在開始時討論的問題。
本章分為兩個部分。 第一部分描述了樸素貝葉斯分類器的工作原理。 第二部分包括使用sklearn庫的Python編程練習，該庫提供了樸素貝葉斯分類器。 稍後，我們將討論我們訓練的程序的準確性。
樸素貝葉斯分類器
樸素貝葉斯分類器計算每個因素的概率（對於電子郵件示例，給定輸入功能將是Alice和Bob）。 然後選擇概率最高的結果。
該分類器假定功能（在這種情況下，我們有單詞作為輸入）是獨立的。 因此，Naive這個詞表示該假設。 即使這樣，它還是用於
· 實時預測
· 文字分類/垃圾郵件過濾
· 推薦系統
因此在數學上我們可以寫成
如果我們有某個事件E和測試參與者x1，x2，x3等。
我們首先計算P（x1 | E），P（x2 | E）…[作為事件E發生時x1的概率讀取]，然後選擇具有最大概率值的測試參與者x。
我希望這能很好地解釋什麼是樸素貝葉斯分類器。 在下一部分中，我們將在Python中使用sklearn並實現Naive Bayes分類器以將電子郵件標記為垃圾郵件或火腿。 如果您需要任何幫助或有任何建議，請在下面的部分中進行評論。
想象一下兩個人Alice和Bob的單詞用法模式。 為了使示例簡單，我們假設Alice經常使用三個單詞[愛，偉大，美妙]的組合，而Bob經常使用單詞[狗，球，美妙]。
假設您收到了匿名電子郵件，發件人可以是Alice或Bob。 可以說電子郵件的內容是"我愛沙灘。 此外，海灘的日落美妙景色盡收眼底"
您能猜出誰是發件人嗎？
好吧，如果您猜到它是Alice，那您是正確的。 也許您的推理將是內容包含愛麗絲（Alice）使用的愛，偉大和美好的詞。
現在，我們在已有的數據中添加一個組合和概率。假設Alice和Bob使用以下帶有概率的單詞，如下所示。 現在，您能猜出誰是該內容的發件人："美妙的愛"。
Probability of word usage of Alice and Bob
現在您怎麼看？
如果您猜是Bob，那是對的。 如果您瞭解其中的數學知識，對您有好處。 如果沒有，請不要擔心，我們將在下一部分中進行操作。 這就是我們應用貝葉斯定理的地方。
貝葉斯定理
它告訴我們給定B發生時A發生的概率，記為P（A | B），當我們知道給定B發生時B發生的概率，記為P（B | A），以及A和B各自發生的可能性 。
· P（A | B）是"給定B的A的概率"，即給定B發生的A的概率
· P（A）是A的概率
· P（B | A）是"給定A時B的概率"，即給定A發生時B的概率
· P（B）是B的概率
如果P（火）表示發生火災的概率，而P（煙）表示發生煙霧的概率，則：
P（火|煙）表示當我們看到煙霧時發生火的概率。 P（Smoke | Fire）表示發生火災時我們看到煙霧的概率。
因此，當我們知道"向後"時，公式的類型會告訴我們"向前"（反之亦然）
示例：如果因工廠發生的危險火災很少（1％），但煙霧相當普遍（10％），並且90％的危險火災會冒煙，則：
P（火|煙）= P（火）P（煙|火）= 1％x 90％= 9％P（煙）10％
在這種情況下，有9％的時間預計煙霧將意味著危險的火災。
現在，您可以將其應用於Alice和Bob的示例嗎？
(本文翻譯自Savan Patel的文章《Chapter 1 : Supervised Learning and Naive Bayes Classification — Part 1 (Theory)》，參考：https://medium.com/machine-learning-101/chapter-1-supervised-learning-and-naive-bayes-classification-part-1-theory-8b9e361897d5)
閱讀更多 聞數起舞 的文章
