人工智能樸素貝葉斯目錄計算事物發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編程實現樸素貝葉斯5計算事物發生的可能性1從右側的容器中取出100元面額紙幣的概率P(100)=？從右側的容器中取出100元面額紙幣的概率P(100)=2/5從右側的容器中取出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？如何計算和表達拿到藍色50元紙幣的概率呢？010203第一種方法拿到藍色紙幣的概率P(藍)=2/5藍色中50元紙幣的概率P(50|藍)=1/2那么，拿到藍色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元紙幣中藍色紙幣的概率P(藍|50)=1/3那么，拿到藍色50元紙幣的概率是1/5由此可以得出P(藍)P(50|藍)=P(50)P(藍|50)P(50|藍)=P(50)P(藍|50)/P(藍)P(a|b)=P(a)P(b|a)/P(b)貝葉斯公式今天刮風，那么會下雨嗎？

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

P(下雨)P(刮風|下雨)P(刮風)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刮風時間122天，那么刮風的概率P(刮風)=？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刮風時間122天，那么刮風的概率P(刮風)=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刮風時間122天，那么刮風的概率P(刮風)=1/3根據記錄查詢得知，以往下雨時刮風的概率是1/2P(刮風|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刮風時間122天，那么刮風的概率P(刮風)=1/3根據記錄查詢得知，以往下雨時刮風的概率是1/2P(刮風|下雨)=1/2由此可以得出，P(下雨|刮風)=(1/6)*(1/2)/(1/3)=1/4表達式數值P(下雨|刮風)0.25P(冰雹|刮風)0.08P(晴天|刮風)0.28P(陰天|刮風)0.27............如果一定要選一個結果做天氣預報，該選哪一個結果呢？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：假設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，就是在諸多猜測結果中給出最優結果。02只要各類別的條件概率排序正確，無需精準概率值，就可以得到正確的分類。本小節結束！人工智能樸素貝葉斯目錄計算事物發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編程實現樸素貝葉斯5利用貝葉斯推薦商品2某網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練集訓練集測試集預測訓練集的數據共12條啤酒的數據6條口紅的數據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”好處清點統計條目數量時，只需要簡單求和運算將“T”替換成“1”將“F”替換成“0”好處清點統計條目數量時，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”好處清點統計條目數量時，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該向消費者推薦口紅還是啤酒？啤酒數據口紅數據測試集數據01以第7條數據為例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，應該推薦啤酒。=0.5*0.3333*0.6667*0.8333*0.8333=0.0771本小節結束！人工智能樸素貝葉斯目錄計算事物發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編程實現樸素貝葉斯5算法的改進3如果某屬性的條件概率出現0值那么p(b|data7)=0.5*0*0.6667*0.8333*0.8333=0結果是應該向顧客推薦口紅錯誤的結論！01為了避免這種情況的發生，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，而分母加上訓練集總的分類數，這樣就保證在偏差不大的情況下去除了“0”值的問題。本小節結束！人工智能樸素貝葉斯目錄計算事物發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編程實現樸素貝葉斯5算法的評價4區域1區域2訓練集和測試集將對算法的構建和評價產生很大影響區域1區域2訓練集和測試集將對算法的構建和評價產生很大影響結論數據選取的要點是“均勻覆蓋”無論訓練集和測試集，都應該保證數據屬性的均勻并且最好覆蓋到所有類型的數據和數據屬性擴大數據集是消除偏差的最有效方法過擬合對現有樣本數量訓練強度過大導致模型用“訓練集的特殊性”代替了現實世界的普遍性特點在“測試集”上表現優異到了泛化階段，性能下降嚴重分配訓練集和測試集的原則盡量不相交將數據分成k個不交叉集合，每次用k-1個集合做訓練集，用剩下的數據做測試集k折交叉驗證法（kfoldcrossvalidation）全面性準確性模型的評價應該從兩個方面入手準確性利用人工智能方法檢測網絡環境中安全問題，發現10個問題，經檢驗其中9個確實是安全問題，那么這個人工智能模型應用的準確率是？準確性利用人工智能方法檢測網絡環境中安全問題，發現10個問題，經檢驗其中9個確實是安全問題，那么這個人工智能模型應用的準確率是90%如何提高準確率呢？在上述例子中，我們只發現5個問題，而這5個問題又確實是安全問題，這時準確率是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%。但是準確率呢？下降了。模型的評價應該從兩個方面入手準確性——準確率全面性——召回率召回率和準確率是一對矛盾概念，根據實際需要，側重不同評