朴素贝叶斯算法

回顾概率知识：

image.png
image.png

sklearn朴素贝叶斯实现API
sklearn.naive_bayes.MultinomialNB
sklearn.naive_bayes.MultinomialNB(alpha = 1.0)
alpha：拉普拉斯平滑系数

•优点：
 朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率
 对缺失数据不太敏感，算法也比较简单，常用于文本分类
 分类准确度高，速度快
•缺点：
 需要知道先验概率P(F1,F2,…|C)，因此在某些时候会由于假设的先验
 模型的原因导致预测效果不佳

混淆矩阵

在分类任务下，预测结果（Predicted Condition）与正确标记（True Condition）之间存在四种不同的组合，构成混淆矩阵（适用于多分类）

image.png

精确率(Precision)与召回率(Recall)

精确率：预测结果为正例样本中真实为正例的比例（查得准）

image.png

召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）

image.png

分类模型评估API

sklearn.metrics.classification_report
sklearn.metrics.classification_report(y_true, y_pred, target_names=None)
•y_true：真实目标值
•y_pred：估计器预测目标值
•target_names：目标类别名称
•return：每个类别精确率与召回率