写在前面的话
前面用了三篇内容讲了决策树算法，也算是浅入浅出了，对于入门来说还是足够的
学完之后，你应该已经掌握了：
决策树理论+算法优缺点+建立决策树+参数优化
如果你还没有掌握决策树的这些技能点，根据贝叶斯原理你有90%的概率也掌握不了这篇
假设你已经掌握了上面决策树的内容，那么学完这篇你会掌握以下技能：
- 一种新的分类算法（贝叶斯分类）
- 一个很有名气的概率计算公式
- 随时随地计算下一顿吃火锅的概率
准备好了吗？
情景一：一起吃个饭吧
在许媒婆的有意撮合之下，韩梅梅的第一个相亲对象竟然是老同学李雷雷
强忍住自己内心小九九的韩梅梅终于接到了李雷雷的邀请
李雷雷：梅梅，明天有空吗？一起出去吃个饭？
李梅梅：（略一思考）刚好明天也没啥事，我们吃什么呢？
李雷雷：好嘞，那我们就根据明天的天气决定吃什么吧
李梅梅：（吃什么要根据天气决定？不应该根据我的喜好？）
感觉到一丝异样的李雷雷连忙补充道：
李雷雷：别急别急，你先听我说完
是这样的，从今年年初开始，一共有20天是下雨天，这20天里面有15天你是在家里吃饭，其中有9顿是在家打火锅，有5天是不在家吃饭，这5天有一天是去和朋友去外面吃火锅。
所以呢，如果明天下雨，根据历史数据，你可能最想吃火锅噢。
韩梅梅：（俏脸微红）你怎么会知道这个数据？许姨不是说不告诉外人嘛
李雷雷：（嘿嘿一笑）如果明天下雨了，在家吃火锅？
韩梅梅：好啊好啊，你怎么会知道我这样想的？
李雷雷：因为我会计算正向概率！
一共20天，其中15天在家吃饭，所以在家吃饭的概率：15/20=75%
而且啊，15天里面有9天在家吃火锅，在家吃火锅的概率：9/15=60%
另外啊，不在家吃火锅的概率：1/5=20%
韩梅梅：厉害！不过你说的正向概率是什么？
上面的问题就是正向概率，表示从前往后推导一件事情发生的概率，你可能还听过一个词：先验概率，它两一回事
对了，还有一个是条件概率，例如 P(吃火锅|在家吃) 表示在家吃饭的时候吃火锅
相应的逆向概率就是从反向推理事物发生的概率，也叫后验概率
李雷雷：给你出道题，如果明天吃火锅，那明天在家吃的概率是多少？算对了明天就吃火锅！
韩梅梅：......（准备打人了）
哈哈哈哈，算不出来别生气，我们这里就用到了逆向概率。
贝叶斯原理
来，一起理一下思路：
我们知道，在家吃饭的概率 ：
在家吃
在家吃火锅的概率：
在家吃火锅
另外还有，不在家吃饭的概率 ：
不在家吃
不在家吃火锅的概率 ：
不在家吃火锅
这里，有两点需要注意一下：
-
在家吃火锅≠在家的时候吃火锅 -
不在家吃火锅≠不在家的时候吃火锅
因为后者是一个联合概率，表示（不）在家的条件下吃火锅
所以后者可以这样表示：
在家的时候吃火锅在家吃吃火锅在家吃不在家的时候吃火锅不在家吃吃火锅不在家吃
那么我们可以算出来，下雨天吃火锅的概率：
回到我们的问题，今天吃火锅的条件下，在家吃的概率是：
左右滑动查看更多
韩梅梅：好高啊，我有点怀疑这个数字
那我们也可以反向验证一下：
吃火锅一共10次，在家吃9次，不在家吃1次，所以在家吃的概率是90%
李雷雷：算不出来没关系，我这有一个万能公式
韩梅梅：快、快告诉我
我们直接另 吃火锅=B，在家吃=，不在家吃=，整理一下就是大名鼎鼎的贝叶斯公式：
因为吃火锅只有两种情况，在家吃和在不在家吃，刚好对应了分母中的两种情况。
于是贝叶斯公式经常这样写：
似然函数
其实这里还有一个知识点，叫做似然函数，有兴趣的了解即可
举个例子：个子高的男孩子长得帅的概率长得帅个子高和长得帅的男孩子个子高的概率个子高长得帅存在这样的关系：
长得帅个子高个子高长得帅
∝ 表示正比于，从上面的贝叶斯公司中就可以看出来
这个时候，个子高长得帅 叫做 长得帅个子高 的似然函数
如果已知长得帅和个子高的样本分布情况，那我们可以反推出最大概率导致这样分布结果的参数值，嗯，这叫最大似然估计
情景二：吃什么我说了算！
朴素贝叶斯
韩梅梅：我记得在学校里面老师还教过朴素贝叶斯，那又是什么？
之所以称为朴素贝叶斯，是因为它假设每个输入变量是独立的
就比如高富帅三个特征之间互不影响，帅的不一定高，高的不一定富
于是，求一个人高富帅的概率：
通过朴素贝叶斯预测概率的时候，只需要用数据训练一个贝叶斯模型，其实也就是计算出先验概率和条件概率，然后贝叶斯就可以预测出后验概率来。
就好比明天下雨了我们要不要吃火锅呢？在家吃还是去外面吃呢？都可以通过朴素贝叶斯算出概率
韩梅梅：吃！我说了算！和贝叶斯无关
李雷雷：（咳咳）好好好
你别看现在我们是用来做预测，其实贝叶斯最适合解决分类问题
举几个例子你就知道了：
垃圾邮件你应该有了解过，贝叶斯通过前期的系列训练，可以将未来的邮件进行分类(正常or垃圾)
世界杯比赛球队的输赢预测，通过历史球队战绩预测最终的输赢，也是通过贝叶斯实现的
在实际分类过程中，贝叶斯分类主要包括两种：离散数据的分类和连续数据的分类
离散数据的分类
离散数据的分类根据...
韩梅梅：别急别急，你先告诉我什么是离散数据？
离散数据是有明确边界的数据，就像身高的高中低，成绩的排名1234等，像1~100之间的任何数组组成的数据集就是连续数据。
离散数据的分类是根据贝叶斯定理实现，特别是朴素贝叶斯的应用
看个例子呗，如果说现在有一个人的特征是：身高中、体重中、鞋码大 ，这个人是男的还是女的？请你来分个类
ok，我们先确定一下属性：
=身高中，=体重中，=鞋码小，=男，=女
我们的目的是计算和，对应概率大的就是结果了
前面已知贝叶斯公式：
分母都一样，那我们直接比较分子就行了
又根据朴素贝叶斯：
直接计算：
第二个结果对应的是女孩子，那就是她了
连续数据的分类
连续型数据的进行分类一般有两种方法，先看数据集：
一种方法是我们将连续型数据转换为离散型
比如说体重特征我们设置几个范围T1(100-120)，T2(120-140)...这样子连续型数据映射在相应范围，实现离散化
按照上面离散化的处理方式即可
另一种方式是我们假设身高、体重、鞋码都是正态分布，通过样本计算出均值和方差
还记得正态分布的密度函数吗，我们把点的值带进去，就能得到相应的概率值。
韩梅梅：没看出来贝叶斯公式这么厉害！
李雷雷：哈哈，那是，用处挺大的呢。另外我已经预约好了座位，明天不见不散！
总结一下
理解贝叶斯算法之前先了解贝叶斯定理，也就是后验概率的计算；在此基础上，通过了解朴素贝叶斯的特性，对离散和连续数据进行分类操作。
相比而言，朴素贝叶斯简单很多，算法应用也很简单，下节通过项目我们一起实战一下贝叶斯分类。
贝叶斯算法的优缺点
优点：
- 对待预测样本进行预测，过程简单速度快
- 对于多分类问题同样有效，复杂度也并不会有大程度提升
- 在分布独立这个假设的情况下，贝叶斯分类器效果奇好
- 对于类别类的输入特征变量，效果奇好；对于连续型变量特征，默认符合正态分布
缺点：
- 测试集中的一个类别变量，训练集中没出现过，则概率为0，预测就没用了。可以使用平滑操作（拉普拉斯平滑）
- 朴素贝叶斯独立分布的假设，实际生活中很难完全独立
- 朴素贝叶斯不存在bagging、boosting等模型融合的方法（因为没有variance可以减少）
最后，请收下这个吧
写在后面的话
贝叶斯分类主要是那几个公式，大家理解了就好，不算是特别难，所以我就直接贴公式出来了
千万不要一看见公式就自我放弃，稍微用点心思去看，你收获的肯定不止是一个算法。
我是小一，我们下节见
