[機器學習]⎝⎛MultinomialNB 貝氏(貝葉氏)分類⎞⎠ | 貝氏推論機器學習
貝氏定理（英語：Bayes' theorem）是概率論中的一個定理，描述在已知一些條件下，某事件的發生機率。
比如，如果已知某癌症與壽命有關，使用貝氏定理則可以通過得知某人年齡 ...GetstartedOpeninappDerekWuSigninGetstarted35FollowersAboutGetstartedOpeninapp[機器學習]⎝⎛MultinomialNB貝氏(貝葉氏)分類⎞⎠DerekWu·Aug3,2020機器學習裡面，有個簡單又實用的model叫做貝氏分類器。
這個詞或許很陌生，但大家的生活中已經有很多相關的應用，比如:垃圾郵件分類、塞車預測、甚至是簡單的天氣預測..等。
現在，貝氏分類可以應用在更多的地方，比如:AI聊天機器人、案件分類(預測)…等，可以參考我的另一篇文章--Python實作篇(待出版XD)。
現在就來介紹一下，貝氏分類器的背後原理、概念說明。
進入正題在機器學習套件sklearn裡的MultinomialNB貝氏分類器，是建立在公式—貝氏定理—上。
維基百科對於貝氏定理的說明:貝氏定理（英語：Bayes’theorem）是概率論中的一個定理，描述在已知一些條件下，某事件的發生機率。
比如，如果已知某癌症與壽命有關，使用貝氏定理則可以通過得知某人年齡，來更加準確地計算出他罹患癌症的機率。
公式非常簡單，一行就結束了:貝氏定理其中P(A|B)是條件機率，也就是B發生的條件下，A發生的機率。
計算方法為P(A|B)=P(A∩B)/P(B)假設今天我有過去12天的天氣跟遲到的數據，我想了解下雨天遲到的機率，那根據圖片的貝氏定理就會是其中P(下雨)=下雨的機率=3/12P(遲到)=遲到的機率=3/12P(下雨|遲到)=已知遲到的情況下，下雨的機率。
這我們可以從過去的數據紀錄計算出來=P(遲到又下雨)/P(遲到)=(1/12)/(3/12)=1/3最後算出來雨天遲到的機率=(1/3)(3/12)/(3/12)=1/3=33%同理，晴天遲到的機率為=2/9=22%33%>22%我們可以合理的推測，雨天遲到的可能>>晴天遲到的可能所以其實整個貝氏定理，我們也可以理解成，透過已知的三個機率P(A)、P(B)、P(B|A)而推出第四個機率P(A|B)。
當然遲到的原因可能複雜，於是我們可以加入星期幾、時間、有無塞車等更多的條件，整個公式可以拓展成圖片是拿來嚇嚇人的，實際動手算比較快。
再舉個簡單的例子，假設今天我有名校入學跟家庭收入的資料如下，我想知道．小孩唸名校的條件下，家庭是高收入的機率於是我們就來用貝氏定理計算一下。
帶入公式前我們需要先計算一下條件機率:帶入貝氏定理:也就是說，唸名校的條件下，家庭是高收入的機率為66.7%因此我們可以合理的推論威，歪了不是啦，我們可以合理推論(根據過往的資料)如果我們能有高的家庭年收入，就能有較高機會給我們的小孩更好的就學環境。
以上就是機器學習貝氏分類器，背後的貝氏定理說明。
還有不懂可以參考這個國外的影片，講得非常清楚了解原理可以在資料調整上更有方向，如果還看不懂直接用用看也可以，實作可以看我的另一篇文章Python實作(待出版XD)祝大家都能在自己的人生、事業上成功，然後高的家庭年收入。
如果有讓你看完這篇文，可以幫我拍手1–10下如果覺得文還算有趣，可以幫我拍手10-20下如果覺得這文章讓你有點收穫，請幫我拍手20–30下如果覺得想看到更多關於學習筆記的文章，可以幫我拍手30–50下讓我知道，也記得Follow我DerekWu更歡迎你在下方留言，我很樂意與你討論聊天或回答問題！99 99MachineLearningBayesianMachineLearning機器學習貝氏定理MultinomialnbMorefromDerekWuFollow數學系畢業，一年交換學生，演算法工程師&數據分析&系統工程師。
推薦系統研發中Workhard,playhard!
比如，如果已知某癌症與壽命有關，使用貝氏定理則可以通過得知某人年齡 ...GetstartedOpeninappDerekWuSigninGetstarted35FollowersAboutGetstartedOpeninapp[機器學習]⎝⎛MultinomialNB貝氏(貝葉氏)分類⎞⎠DerekWu·Aug3,2020機器學習裡面，有個簡單又實用的model叫做貝氏分類器。
這個詞或許很陌生，但大家的生活中已經有很多相關的應用，比如:垃圾郵件分類、塞車預測、甚至是簡單的天氣預測..等。
現在，貝氏分類可以應用在更多的地方，比如:AI聊天機器人、案件分類(預測)…等，可以參考我的另一篇文章--Python實作篇(待出版XD)。
現在就來介紹一下，貝氏分類器的背後原理、概念說明。
進入正題在機器學習套件sklearn裡的MultinomialNB貝氏分類器，是建立在公式—貝氏定理—上。
維基百科對於貝氏定理的說明:貝氏定理（英語：Bayes’theorem）是概率論中的一個定理，描述在已知一些條件下，某事件的發生機率。
比如，如果已知某癌症與壽命有關，使用貝氏定理則可以通過得知某人年齡，來更加準確地計算出他罹患癌症的機率。
公式非常簡單，一行就結束了:貝氏定理其中P(A|B)是條件機率，也就是B發生的條件下，A發生的機率。
計算方法為P(A|B)=P(A∩B)/P(B)假設今天我有過去12天的天氣跟遲到的數據，我想了解下雨天遲到的機率，那根據圖片的貝氏定理就會是其中P(下雨)=下雨的機率=3/12P(遲到)=遲到的機率=3/12P(下雨|遲到)=已知遲到的情況下，下雨的機率。
這我們可以從過去的數據紀錄計算出來=P(遲到又下雨)/P(遲到)=(1/12)/(3/12)=1/3最後算出來雨天遲到的機率=(1/3)(3/12)/(3/12)=1/3=33%同理，晴天遲到的機率為=2/9=22%33%>22%我們可以合理的推測，雨天遲到的可能>>晴天遲到的可能所以其實整個貝氏定理，我們也可以理解成，透過已知的三個機率P(A)、P(B)、P(B|A)而推出第四個機率P(A|B)。
當然遲到的原因可能複雜，於是我們可以加入星期幾、時間、有無塞車等更多的條件，整個公式可以拓展成圖片是拿來嚇嚇人的，實際動手算比較快。
再舉個簡單的例子，假設今天我有名校入學跟家庭收入的資料如下，我想知道．小孩唸名校的條件下，家庭是高收入的機率於是我們就來用貝氏定理計算一下。
帶入公式前我們需要先計算一下條件機率:帶入貝氏定理:也就是說，唸名校的條件下，家庭是高收入的機率為66.7%因此我們可以合理的推論威，歪了不是啦，我們可以合理推論(根據過往的資料)如果我們能有高的家庭年收入，就能有較高機會給我們的小孩更好的就學環境。
以上就是機器學習貝氏分類器，背後的貝氏定理說明。
還有不懂可以參考這個國外的影片，講得非常清楚了解原理可以在資料調整上更有方向，如果還看不懂直接用用看也可以，實作可以看我的另一篇文章Python實作(待出版XD)祝大家都能在自己的人生、事業上成功，然後高的家庭年收入。
如果有讓你看完這篇文，可以幫我拍手1–10下如果覺得文還算有趣，可以幫我拍手10-20下如果覺得這文章讓你有點收穫，請幫我拍手20–30下如果覺得想看到更多關於學習筆記的文章，可以幫我拍手30–50下讓我知道，也記得Follow我DerekWu更歡迎你在下方留言，我很樂意與你討論聊天或回答問題！99 99MachineLearningBayesianMachineLearning機器學習貝氏定理MultinomialnbMorefromDerekWuFollow數學系畢業，一年交換學生，演算法工程師&數據分析&系統工程師。
推薦系統研發中Workhard,playhard!