【机器学习入门笔记】第 1 课：朴素贝叶斯

Naive Bayes　　朴素贝叶斯

Scatter plot　　 散点图

Decision Surface　　Linea　　决策线

朴素贝叶斯 是一个常见的寻找决策面的算法

Bayes Rule　　贝叶斯规则

无人驾驶汽车是一个重要的监督分类（supervised classification）问题 

监督：表示你有许多样本，我们可以说，你了解这些样本的正确答案

Acerous 还是 Non-Acerous？

机器学习主要是从实例中学习，给机器举一大堆案例，每个案例都有许多特征和属性，

如果可以挑出正确的特征，它会给你正确的信息，然后就可以对新的案例进行分类

如何利用机器学习算法来正确处理这类问题？

监督式分类示例

第一个是的，第二个不是，因为并没有给出异常交易的明确定义，第三个是，第四个不是，属于聚类问题

特征和标签音乐示例

Features   &   Labels　　特征和标签

在机器学习中，我们通常会把特征作为输入，然后尝试生成标签

比如你听一首歌，它的特征可能是强度、歌曲节奏或者流派或声音性别等信息

然后你的大脑会将它处理为两个类别中的一个喜欢或者不喜欢

从散点图到决策面

机器学习算法能做什么呢?它们可以定义决策面     scatter plot     decision surface

决策面通常位于两个不同的类之间的某个位置上

良好的线性决策面

当决策面为直线的时候，我们称它为线性决策面

机器学习算法所做的是 获取数据->并将其转化成一个决策面（D.S)

 转为使用朴素贝叶斯

Naive Bayes 是一个常见的寻找这样的决策面的算法

Python 中的 NB 决策边界

Sklearn 使用入门

 scikit-learn，经常缩写为sklearn

高斯朴素贝叶斯示例

Google 搜索 sklearn navie bayes

打开链接http://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.GaussianNB.html

>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> Y = np.array([1, 1, 1, 2, 2, 2])
#上面的代码是用来生成一些可以利用的训练点
>>> from sklearn.naive_bayes import GaussianNB
#把外部模块引入你编写的代码里
>>> clf = GaussianNB()#创建分类器，把GaussianNB赋值给clf（分类器）
>>> clf.fit(X, Y)#fit替代了train，这里是我们实际提供训练数据的地方
#它会学习各种模式，然后就形成了我们刚刚创建的分类器（clf）
#我们在分类器上调用fit函数，接下来将两个参数传递给fit函数，一个是特征x一个是标签y
#在监督分类中这个过程都是如此，先调用fit函数，然后依次获得特征和标签
GaussianNB(priors=None)
#最后我们让已经完成了训练的分类器进行一些预测，我们为它提供一个新点[-0.8,-1]
#我们系那个知道的是，这个特定点的标签是什么？它属于什么类？
>>> print(clf.predict([[-0.8, -1]]))
[1]
>>> clf_pf = GaussianNB()
>>> clf_pf.partial_fit(X, Y, np.unique(Y))
GaussianNB(priors=None)
>>> print(clf_pf.predict([[-0.8, -1]]))
[1]

必须先训练好分类器，才能调用分类器上的预测函数。因为使用数据训练的过程是它实际学习模式的过程

然后分类器能利用学得的模式进行预测 

【机器学习入门笔记】第 1 课：朴素贝叶斯

原文：http://www.cnblogs.com/custer/p/6347331.html