Udacity.机器学习入门.2朴素贝叶斯.2017-08-27

机器学习入门

2. 朴素贝叶斯

监督学习

1. 马是否属于acerous?
   关注特征
2. 监督学习、非监督学习（异常检测、聚类等）
3. features -> ... -> labels
4. 散点图 -> 决策面（DS）
5. 线性决策面（直线）

朴素贝叶斯&高斯贝叶斯

1. 度量分类器效果
   准确率 sklearn.metrics.accuracy_score

2. 朴素贝叶斯原理

   
   
   敏感性、特异性

image.png

先验概率、后验概率

先验和后验

Posterior 应该写为：
P(C, Pos) = P(C) • P(Pos|C)
P(ℸC, Pos) = P(ℸC)• P(Pos|ℸC)

3. Normalization

image.png

4. Bayes Rule

   
   
   思路

贝叶斯用于分类

image.png

image.png

image.png

Navie原因——没有考虑词序（选项词序、单词、长度）
优势：特征空间可以很大（比如2万-20万words）、易于运行、有效；
缺点：中断影响Bayes，比如多个词组成的有含义的词，芝加哥 公牛，不适用。

Mini Project

下载项目初始文件（只需一次）
运行初始脚本
每节课接近尾声时，都会有一段视频和/或阅读节点，向你介绍该节课的迷你项目
你将从一系列课程节点中了解如何做迷你项目，而且你还有机会在任务（类似于测试题）期间输入答案
在你自己的计算机上根据阅读节点中的说明开发代码
你编写的代码将使你能够回答测试题中的问题。
那么，接下来该做什么？
如果你了解 git，你可以复制初始文件：* git clone https://github.com/udacity/ud120-projects.git*
如果你不了解，优达学城有一门优秀（且简短的）课程帮助你快速入门