当前课程知识点:Introduction to Artificial Intelligence > Chapter 4 Classification > 4.2 Naive Bayes > Video 4.2
返回《Introduction to Artificial Intelligence》慕课在线视频课程列表
返回《Introduction to Artificial Intelligence》慕课在线视频列表
大家好
在本章中
我们将介绍
朴素贝叶斯
朴素贝叶斯是基于贝叶斯定理的
最简单最强大的
分类算法之一
它假定
预测变量之间
具有独立性
朴素贝叶斯模型易于构建
对于非常大的数据集特别有用
该算法分为两部分
朴素和贝叶斯
朴素贝叶斯分类器假定
某个类中某个要素的存在
与任何其他要素
都不相关
即使这些功能相互依赖或取决于
其他功能的存在
这就是为什么它被称为“朴素”的原因
现在让我们讨论贝叶斯的含义
让我们从贝叶斯定理的基本介绍开始
贝叶斯定理以托马斯·贝叶斯
的名字命名
贝叶斯定理基于
对事件可能与事件相关
的先验知识
来描述
事件的
概率
它用作找出条件概率的一种方式
贝叶斯定理如下所示
给定假设H
和证据E
贝叶斯定理指出
获得证据P(H)之前的假设概率
与获得证据P(H | E)之后的
假设概率之间的关系
这将在获得证据P(H)之前的假设概率
与在获得证据P(H | E)之后的假设概率
相关联
因此
P(H)被称为先验概率
而P(H|E)被称为后验概率
P(H|E)/P(E)
的因数
被称为似然比
使用这些术语
贝叶斯定理
可以表述为
后验概率等于先验概率乘以
似然比
现在,让我们以伊索寓言中的“叫狼的男孩”
来解释贝叶斯定理的工作原理
一个牧羊的男孩厌倦了小镇的羊群
为了找点乐子
他喊道:“狼来啦”
即使他根本就看不见狼
村民跑来保护羊群
但是当他们意识到
男孩在开玩笑时,就变得非常生气
几天后
男孩尝试了同样的技巧
村民们
再一次愤怒了
一天,牧羊男孩看到一只真正的狼
正接近羊群
喊道:“狼来啦!”
村民拒绝
再次上当
并留在自己的房屋中
饥饿的狼把羊群变成羊排吃掉了
小镇的居民都只能挨饿了
那么,如何用贝叶斯定理
来解释村民对孩子的信任度下降呢
让我们使用贝叶斯定理
来计算村民的信任度
让E代表男孩的谎言
H代表村民信任男孩
假设村民过去对男孩的信任度
是𝑃(𝐻)
值为0.8
“村民相信男孩”时男孩撒谎的概率
为
(𝐸|𝐻)
值为0.1
男孩撒谎的概率是𝑃(𝐸)
值为
0.2
𝑃(𝐻|𝐸)
表示村民
对男孩撒谎后的信任
然后P(H|E)
等于
0.1乘以
0.8
除以0.2
等于0.4
可以看出
村民对男孩的信任度
从0.8
下降到0.4
这一切的前提是
他们知道男孩第一次已经撒谎了
这个结果告诉我们
即使说谎者讲真话
也不会被相信
现在,让我们使用贝叶斯定理
来预测天气数据
的未来发展
这是我们的数据
其中包括日期
目前状况
湿度
风况
最后一栏是“前景”
我们必须对其进行预测
目前状况可能是晴天
阴天和雨天
湿度可以是高或正常
风可以是弱的和强的
首先,我们使用数据集的每个属性创建一个频率表
因此,前景的频率表
以及湿度和风的频率表
如下所示
对于每个频率表
我们将生成一个可能性表
可能性表包含特定日期的概率
假设我们以晴天
预期为“是”为准
因此,像这样计算晴天给定预期为“是”的概率
该值为
10分之3
E的概率
即晴天的概率
14分之5
H的概率
是“是”的概率
等于14分之10
现在,这些都是
从“可能性”表中生成的所有术语
生成的所有术语
因此,如果我们看一看是晴天的
可能性是多少
我们可以使用贝叶斯定理看到
是几率是晴天的概率
乘以“是”
的概率
除以晴天的概率
最终,我们得出“是”的可能性
为0.6
同样,我们将创建
湿度和风况的
可能性表
如果目前状况是“是”
湿度高等于0.43
风弱为0.75
现在,让我
们使用这三个似然度表
来计算在现在情况
湿度和风
的特定组合下
前景是
“是”还是“否”
在这里,我们综合考虑以下因素
前景等于风
湿度等于高
风等于弱
令H等于“否”
让我们用数学思想更深入地研究
然后实际看一下它是什么样子
然后我们将开始寻找它们不使用
以下组合的可能性
我们实际上是在寻找H等于“否”的可能性
我们将E设置为
E的概率是目前状况是下雨
湿度高
风况是弱
E等于“否”
目前状况是下雨
湿度高
风况是弱
的概率
我们只是将那些不同的变量
和“否”的概率相乘
然后将它们除以下雨的概率
再乘以高的概率
再乘以弱的概率
最后,我们得到给定E的
H的概率
它的值为
0.56
这一节我们就讲到这
感谢收看,欢迎进入下一节的学习
-1.1 What is artificial intelligence
--Exercise 1.1
-1.2 The History of artificial intelligence
--Exercise 1.2
-1.3 Applications of Artificial Intelligence
--Exercise 1.3
-1.4 Machine Learning and Deep Learning
--Exercise 1.4
-2.1 What is Machine Learning
-2.2 Supervised Learning
-2.3 Unsupervised Learning
-2.4 Construction of Development Environment
-3.1 What is Regression
--Exercise 3.1
-3.2 Linear Regression
--Exercise 3.2
-3.3 Logistic Regression
--Exercise 3.3
-3.4 Practical Case
-4.1 What is Classification
-4.2 Naive Bayes
-4.3 Support Vector Machine
-4.4 Practical Case
-5.1 Introduction to Deep Learning
--Exercise 5.1
-5.2 What is Neural Network
--Exercise 5.2
-5.3 Neural Network Basics
--Exercise 5.3
-5.4 Practical Case
-6.1 What is Convolutional Neural Network
-6.2 Convolution Layer
-6.3 Pooling Layer
-6.4 Classical Convolutional Neural Network
-7.1 What is Computer Vision
--Exercise 7.1
-7.2 Image Classification
--Exercise 7.2
-7.3 Introduction to TensorFlow
--Exercise 7.3
-7.4 Practical Case
-8.1 What is Natural Language Processing
-8.2 Basics of NLP
-8.3 Recurrent Neural Network
-8.4 Practical Case