樸素貝葉斯大家都知道了，我也就不贅述了，可參考

• 如何使用

比如根據天氣看小J是否出去打球，統計了她過去打球的資料：

天氣	打球
晴天	no
多雲	yes
雨天	yes
晴天	yes
晴天	yes
多雲	yes
雨天	no
雨天	no
晴天	yes
雨天	yes
晴天	no
多雲	yes
多雲	yes
雨天	no

1. 將資料集轉換為頻率表：

天氣	不打球	打球
多雲	4
雨天	3	2
晴天	2	3
總數	5	9

2.求概率：

天氣	不打球	打球
多雲	4	0.29
雨天	3	2	0.36
晴天	2	3	0.36
總數	5	9
0.36	0.64

3.帶入貝葉斯： P(打球|晴天) = P(晴天|打球)·P(打球)/P(晴天) = (3/9)·0.64/0.36 = 0.59 所以在晴天打球的概率有0.59

• 應用

1.實時預測 2.多類別預測 3.文字分類/垃圾過濾/情感分析 4.推薦系統

• 採用python構建基本模型（採用sklearn包）

包含三類模型： 1.Gaussian：分類中假設資料特徵符合正態分佈 2.Multinomial：用於離散資料計數，比如文字分類問題中統計一篇文章中的詞頻數 3.Bernoulli：二分類問題，比如文字分類中，文章中一個詞出現還是不出現

• python案例

構造資料：

#Import Library of Gaussian Naive Bayes model
from sklearn.naive_bayes import GaussianNB
import numpy as np

#assigning predictor and target variables
x = np.array([[-3,7],[1,5], [1,2], [-2,0], [2,3], [-4,0], [-1,1], [1,1], [-2,2], [2,7], [-4,1], [-2,7]])
y = np.array([3, 3, 3, 3, 4, 3, 3, 4, 3, 4, 4, 4])
 

構造模型：

#Create a Gaussian Classifier
model = GaussianNB()

# Train the model using the training sets 
model.fit(x, y)

#Predict Output 
predicted= model.predict([[1,2],[3,4]])
print predicted

輸出為預測結果：[3, 4]

• 提升貝葉斯表現

1. 如果連續型資料但是不滿足正態分佈，則將其轉化為符合正態分佈的資料 2. 如果測試資料特徵出現頻率為0的資料，就用平滑技術“拉普拉斯變換”來進行預測 3. 刪除相關聯的特徵，可能造成過擬合 4. 注意各個引數選項的影響，建議在資料與處理和特徵選擇階段處理引數問題 5. 整合、提升、裝袋方法由於目的是減小方差，所以對於樸素貝葉斯沒有任何幫助