Day47：贝叶斯详解与案例

在本节中，我们将详细讲解朴素贝叶斯分类器，并提供相应的代码实例。首先，让我们回顾一下第四十六节的内容，然后从数学推理角度深入探讨朴素贝叶斯的原理和应用。

在上一节中，我们学习了SVM的原理和应用。SVM是一种常用的分类算法，通过建立SVM模型来预测二分类问题是一种常用的方法。在本节中，我们将讲解贝叶斯分类器，我们首先从数学推理角度看看朴素贝叶斯的原理。

1. 朴素贝叶斯

• 朴素贝叶斯分类器是一种基于贝叶斯定理的概率分类算法。
• 它假设特征之间相互独立，并利用贝叶斯定理计算后验概率来进行分类。
• 朴素贝叶斯分类器适用于文本分类、垃圾邮件过滤、情感分析等问题。

1.1 数学推理：

• 假设有n个特征(x₁, x₂, ..., xₙ)和一个目标变量y。
• 朴素贝叶斯分类器假设每个特征与其他特征相互独立，即P(x₁, x₂, ..., xₙ|y) = P(x₁|y) * P(x₂|y) * ... * P(xₙ|y)。
• 根据贝叶斯定理，后验概率可以表示为P(y|x₁, x₂, ..., xₙ) = (P(x₁|y) * P(x₂|y) * ... * P(xₙ|y) * P(y)) / P(x₁, x₂, ..., xₙ)。
• 为了进行分类，我们需要计算每个类别y的后验概率，并选择具有最高概率的类别作为预测结果。

2. 贝叶斯分类器案例

• 我们将使用使用sklearn库中的内置数据集鸢尾花（Iris）数据集和sklearn库中的朴素贝叶斯分类器来演示一个实际案例。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建朴素贝叶斯分类器
model = GaussianNB()

# 拟合模型
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)  #输出：1.0

以上代码中，我们首先导入了所需的库