开发者学堂课程【机器学习算法 ：朴素贝叶斯3】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/535/detail/7278
朴素贝叶斯3
内容介绍
一、拉普拉斯平滑
二、应用实践
三、朴素贝叶斯算法的优缺点
一、拉普拉斯平滑
拉普拉斯平滑:分类过程中，有时会碰到零概率问题，即某个待预测样本中的某个属性取值在样本中没有出现过，会导致整个概率的计算结果为0。拉普拉斯平滑通过在分子、分母上加上调整可以很好的解决这类问题。
在最终预测的时候，样本已经存在，需要确定样本属于哪一个分类的时候，分子部分是连乘，是很多属性取值条件概率的乘积，有任何一个乘积为0，就会导致整个式子分类失败。
二、应用实践
1.如上图所示：条件概率为 ni/N，对其进行拉普拉斯平滑，即分子+1，分母+k（其中 k 为输出分类的个数）通过上述方式，解决0概率的问题。
2.以之前的购买记录分类为例：
P（中年|否）=0，此结果对最后结果有哪些影响？假设预测新纪录，中年、收入高、不是单身、信用良好会不会购买电脑？
（1）若按朴素贝叶斯方式计算会得到：
是或否都会正比于后面的式子，需要对两个式子进行对比，但其中包含了 P（中年|否）=0，那么否这一栏不需要计算，恒等于0，但并不等于中年、收入高、不是单身、信用良好一定会购买电脑，因为 P（中年|否）=0，没有出想过，没有前提支持，并不了解，将其做成0是不合适的。
（2）我们通过拉普拉斯平滑修正，因为他是0个，所有的中年人中有0个人购买电脑对其进行加一处理，分母加二处理即可，P（中年|否）=0+1/5+2=1/7。
（3）就可以使用P（中年|否）=1/7。进行继续计算，在进行对比即可，解决0概率问题。
三、朴素贝叶斯算法的优缺点
NB 优点:
1.有统计学基础背书，分类效率稳定支持多2.分类任务对缺失数据不敏感
3.算法简单，模型容易解释
4.计算量小，支持海量数据
5.支持增量式计算，可用作在线预测
NB 缺点:
1. 需要有先验概率，主观性强，不同值对结果有影响
2. 分类决策存在错误率
3.对输入数据表达形式敏感
4.“朴素”的假设对结果影响大
