Udacity 数据分析进阶课程笔记L32：朴素贝叶斯

  1. Google 无人驾驶汽车中的机器学习
    • 通过Google的无人驾驶例子，简要介绍监督学习和非监督学习；
    • 本章介绍的算法均为监督学习；
    • 区分监督学习和非监督学习的小测试
  2. 特征（features）和标签（label）
    • 特征作为输入，标签作为输出
    • 通过散点图进行特征的可视化，小测试
    • 特征与标签
  1. 无人驾驶汽车Stanly地形分类简介
    • 特征散点图的练习
    • 散点图的预测练习，通过未知点在散点图中的位置，直观判断所属分类（label）
    • 机器学习算法的目的，是寻找一个决策面（decision surface），用于判断数据点的所属类别。
    • 线性决策面，以及通过图形化直观判断线性决策面的优劣
    • 决策面

      线性决策面
  1. 朴素贝叶斯算法（Naive Bayes）
    • 一种用于寻找决策面的常用算法
  2. sklearn使用入门，通过文档获取示例代码
    • 典型代码：定义分类器 -> 拟合 -> 预测
    • 评估算法准确性：accuracy_score(pred, labels_test)
    • sklearn中的朴素贝叶斯算法

  1. 训练数据和测试数据

  2. 贝叶斯规则——深入理解朴素贝叶斯算法

    • 贝叶斯规则和癌症测试（一个经典例子，建议Google之）
      癌症问题

    • 先验、后验、全概率之间的一些推导过程
      推导过程

  3. 练习：已知两个人（lable）邮件习惯（词频），给出一段邮件，推算出该邮件出自谁人之手。

    • 由此引出朴素贝叶斯的局限性：忽略了词频

  4. 朴素贝叶斯算法的有点和缺点：

    • 优点：易于执行，效率高，特征空间很大
    • 缺点：在应用于文本搜索时，可能出现毫无关系的结果

  5. 通过课程迷你项目联系朴素贝叶斯算法

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

相关阅读更多精彩内容

友情链接更多精彩内容