人工智能樸素貝葉斯目錄計算事物發(fā)生的可能性利用貝葉斯推薦商品算法的改進算法的評價1234編程實現(xiàn)樸素貝葉斯5計算事物發(fā)生的可能性1從右側(cè)的容器中取出100元面額紙幣的概率P(100)=？從右側(cè)的容器中取出100元面額紙幣的概率P(100)=2/5從右側(cè)的容器中取出100元面額紙幣的概率P(100)=2/5？取出50元面額紙幣的概率P(50)=從右側(cè)的容器中取出100元面額紙幣的概率P(100)=2/5取出50元面額紙幣的概率P(50)=3/5？如何計算和表達(dá)拿到藍(lán)色50元紙幣的概率呢？010203第一種方法拿到藍(lán)色紙幣的概率P(藍(lán))=2/5藍(lán)色中50元紙幣的概率P(50|藍(lán))=1/2那么，拿到藍(lán)色50元紙幣的概率是1/5010203第二種方法拿到50元紙幣的概率P(50)=3/550元紙幣中藍(lán)色紙幣的概率P(藍(lán)|50)=1/3那么，拿到藍(lán)色50元紙幣的概率是1/5由此可以得出P(藍(lán))P(50|藍(lán))=P(50)P(藍(lán)|50)P(50|藍(lán))=P(50)P(藍(lán)|50)/P(藍(lán))P(a|b)=P(a)P(b|a)/P(b)貝葉斯公式今天刮風(fēng)，那么會下雨嗎？

P(下雨|刮風(fēng))=P(下雨)P(刮風(fēng)|下雨)/P(刮風(fēng))通過對以往記錄的計算判斷

P(下雨)P(刮風(fēng)|下雨)P(刮風(fēng))記錄一年天氣情況例如下雨時間61天，那么下雨的概率P(下雨)=？記錄一年天氣情況例如下雨時間61天，那么下雨的概率P(下雨)=1/6刮風(fēng)時間122天，那么刮風(fēng)的概率P(刮風(fēng))=？記錄一年天氣情況例如下雨時間61天，那么下雨的概率P(下雨)=1/6刮風(fēng)時間122天，那么刮風(fēng)的概率P(刮風(fēng))=1/3記錄一年天氣情況例如下雨時間61天，那么下雨的概率P(下雨)=1/6刮風(fēng)時間122天，那么刮風(fēng)的概率P(刮風(fēng))=1/3根據(jù)記錄查詢得知，以往下雨時刮風(fēng)的概率是1/2P(刮風(fēng)|下雨)=?記錄一年天氣情況例如下雨時間61天，那么下雨的概率P(下雨)=1/6刮風(fēng)時間122天，那么刮風(fēng)的概率P(刮風(fēng))=1/3根據(jù)記錄查詢得知，以往下雨時刮風(fēng)的概率是1/2P(刮風(fēng)|下雨)=1/2由此可以得出，P(下雨|刮風(fēng))=(1/6)*(1/2)/(1/3)=1/4表達(dá)式數(shù)值P(下雨|刮風(fēng))0.25P(冰雹|刮風(fēng))0.08P(晴天|刮風(fēng))0.28P(陰天|刮風(fēng))0.27............如果一定要選一個結(jié)果做天氣預(yù)報，該選哪一個結(jié)果呢？P(a|b)=P(a)P(b|a)/P(b)貝葉斯公式上述貝葉斯公式雖能解決問題，但是決定a的只有一個條件b嗎？如何兼顧很多條件？01樸素貝葉斯的條件獨立假設(shè)：假設(shè)各特征之間相互獨立02其中，P(x)對所有屬性相同，可以省略屬性獨立性假設(shè)在實際情況中很難成立；但為什么樸素貝葉斯仍能取得較好的效果?樸素貝葉斯的最終公式01利用樸素貝葉斯方法進行分類，就是在諸多猜測結(jié)果中給出最優(yōu)結(jié)果。02只要各類別的條件概率排序正確，無需精準(zhǔn)概率值，就可以得到正確的分類。本小節(jié)結(jié)束！人工智能樸素貝葉斯目錄計算事物發(fā)生的可能性利用貝葉斯推薦商品算法的改進算法的評價1234編程實現(xiàn)樸素貝葉斯5利用貝葉斯推薦商品2某網(wǎng)站記錄了一系列用戶的消費行為TF表示有此類消費表示無此類消費訓(xùn)練集訓(xùn)練集測試集預(yù)測訓(xùn)練集的數(shù)據(jù)共12條啤酒的數(shù)據(jù)6條口紅的數(shù)據(jù)6條啤酒分類的概率P(b)=0.5口紅分類的概率P(l)=0.5將“T”替換成“1”將“F”替換成“0”好處清點統(tǒng)計條目數(shù)量時，只需要簡單求和運算將“T”替換成“1”將“F”替換成“0”好處清點統(tǒng)計條目數(shù)量時，只需要簡單求和運算計算條件概率：用求平均值的辦法將“T”替換成“1”將“F”替換成“0”好處清點統(tǒng)計條目數(shù)量時，只需要簡單求和運算計算條件概率：用求平均值的辦法獲得相反行為的概率應(yīng)該向消費者推薦口紅還是啤酒？啤酒數(shù)據(jù)口紅數(shù)據(jù)測試集數(shù)據(jù)01以第7條數(shù)據(jù)為例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，應(yīng)該推薦啤酒。=0.5*0.3333*0.6667*0.8333*0.8333=0.0771本小節(jié)結(jié)束！人工智能樸素貝葉斯目錄計算事物發(fā)生的可能性利用貝葉斯推薦商品算法的改進算法的評價1234編程實現(xiàn)樸素貝葉斯5算法的改進3如果某屬性的條件概率出現(xiàn)0值那么p(b|data7)=0.5*0*0.6667*0.8333*0.8333=0結(jié)果是應(yīng)該向顧客推薦口紅錯誤的結(jié)論！01為了避免這種情況的發(fā)生，引入“平滑計算”02“拉普拉斯平滑”是一種常用的平滑方式03在計算概率時分子遞增1，而分母加上訓(xùn)練集總的分類數(shù)，這樣就保證在偏差不大的情況下去除了“0”值的問題。本小節(jié)結(jié)束！人工智能樸素貝葉斯目錄計算事物發(fā)生的可能性利用貝葉斯推薦商品算法的改進算法的評價1234編程實現(xiàn)樸素貝葉斯5算法的評價4區(qū)域1區(qū)域2訓(xùn)練集和測試集將對算法的構(gòu)建和評價產(chǎn)生很大影響區(qū)域1區(qū)域2訓(xùn)練集和測試集將對算法的構(gòu)建和評價產(chǎn)生很大影響結(jié)論數(shù)據(jù)選取的要點是“均勻覆蓋”無論訓(xùn)練集和測試集，都應(yīng)該保證數(shù)據(jù)屬性的均勻并且最好覆蓋到所有類型的數(shù)據(jù)和數(shù)據(jù)屬性擴大數(shù)據(jù)集是消除偏差的最有效方法過擬合對現(xiàn)有樣本數(shù)量訓(xùn)練強度過大導(dǎo)致模型用“訓(xùn)練集的特殊性”代替了現(xiàn)實世界的普遍性特點在“測試集”上表現(xiàn)優(yōu)異到了泛化階段，性能下降嚴(yán)重分配訓(xùn)練集和測試集的原則盡量不相交將數(shù)據(jù)分成k個不交叉集合，每次用k-1個集合做訓(xùn)練集，用剩下的數(shù)據(jù)做測試集k折交叉驗證法（kfoldcrossvalidation）全面性準(zhǔn)確性模型的評價應(yīng)該從兩個方面入手準(zhǔn)確性利用人工智能方法檢測網(wǎng)絡(luò)環(huán)境中安全問題，發(fā)現(xiàn)10個問題，經(jīng)檢驗其中9個確實是安全問題，那么這個人工智能模型應(yīng)用的準(zhǔn)確率是？準(zhǔn)確性利用人工智能方法檢測網(wǎng)絡(luò)環(huán)境中安全問題，發(fā)現(xiàn)10個問題，經(jīng)檢驗其中9個確實是安全問題，那么這個人工智能模型應(yīng)用的準(zhǔn)確率是90%如何提高準(zhǔn)確率呢？在上述例子中，我們只發(fā)現(xiàn)5個問題，而這5個問題又確實是安全問題，這時準(zhǔn)確率是100%?！@種檢測方法好不好呢？顯然，召回率下降了全面性如何提高“召回率“呢？——”捕風(fēng)捉影”在上述例子中，實際上有10個安全問題，我們找出了20個問題，但是完全覆蓋需要找出的10個安全問題，這時召回率100%。但是準(zhǔn)確率呢？下降了。模型的評價應(yīng)該從兩個方面入手準(zhǔn)確性——準(zhǔn)確率全面性——召回率召回率和準(zhǔn)確率是一對矛盾概念，根據(jù)實際需要，側(cè)重不同評