2. 樸素貝葉斯
監督學習
- 馬是否屬于acerous?
關注特征 - 監督學習、非監督學習（異常檢測、聚類等）
- features -> ... -> labels
- 散點圖 -> 決策面（DS）
- 線性決策面（直線）
樸素貝葉斯&高斯貝葉斯
- 度量分類器效果
準確率 sklearn.metrics.accuracy_score -
樸素貝葉斯原理
敏感性、特異性
image.png
先驗概率、后驗概率
先驗和后驗
Posterior 應該寫為：
P(C, Pos) = P(C) ? P(Pos|C)
P(?C, Pos) = P(?C)? P(Pos|?C)
- Normalization
image.png
-
Bayes Rule
思路
貝葉斯用于分類
image.png
image.png
image.png
Navie原因——沒有考慮詞序（選項詞序、單詞、長度）
優勢：特征空間可以很大（比如2萬-20萬words）、易于運行、有效；
缺點：中斷影響Bayes，比如多個詞組成的有含義的詞，芝加哥 公牛，不適用。
Mini Project
下載項目初始文件（只需一次）
運行初始腳本
每節課接近尾聲時，都會有一段視頻和/或閱讀節點，向你介紹該節課的迷你項目
你將從一系列課程節點中了解如何做迷你項目，而且你還有機會在任務（類似于測試題）期間輸入答案
在你自己的計算機上根據閱讀節點中的說明開發代碼
你編寫的代碼將使你能夠回答測試題中的問題。
那么，接下來該做什么？
如果你了解 git，你可以復制初始文件：* git clone https://github.com/udacity/ud120-projects.git*
如果你不了解，優達學城有一門優秀（且簡短的）課程幫助你快速入門
