人工智能算法贝叶斯算法.pptx

《人工智能算法贝叶斯算法.pptx》由会员分享，可在线阅读，更多相关《人工智能算法贝叶斯算法.pptx（62页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、人工智能朴素贝叶斯目录计算事物发生的可能性利用贝叶斯推荐商品算法的改进算法的评价1234编程实现朴素贝叶斯5计算事物发生的可能性11从右侧的容器中取出100元面额纸币的概率P(100)=？1从右侧的容器中取出100元面额纸币的概率P(100)=2/52/51从右侧的容器中取出100元面额纸币的概率P(100)=2/5？取出50元面额纸币的概率P(50)=1从右侧的容器中取出100元面额纸币的概率P(100)=2/5取出50元面额纸币的概率P(50)=3/53/51如何计算和表达拿到蓝色拿到蓝色5050元纸币的概率呢？元纸币的概率呢？1010203第一种方法拿到蓝色纸币的概率P(蓝)=2/5蓝色

2、中50元纸币的概率P(50|蓝)=1/2那么，拿到蓝色50元纸币的概率是1/51010203第二种方法拿到50元纸币的概率P(50)=3/550元纸币中蓝色纸币的概率P(蓝|50)=1/3那么，拿到蓝色50元纸币的概率是1/51由此可以得出P(P(蓝蓝)P(50|)P(50|蓝蓝)=P(50)P()=P(50)P(蓝蓝|50)|50)P(50|蓝)=P(50)P(蓝|50)/P(蓝)P(a|b)=P(a)P(b|a)/P(b)贝叶斯公式1今天刮风，那么会下雨吗？P(P(下雨下雨|刮风刮风)=P()=P(下雨下雨)P()P(刮风刮风|下雨下雨)/P()/P(刮风刮风)通过对以往记录的计算判断P(

3、P(下雨下雨)P(P(刮风刮风|下雨下雨)P(P(刮风刮风)1记录一年天气情况下雨时间61天，那么下雨的概率P(下雨)=？1记录一年天气情况下雨时间61天，那么下雨的概率P(下雨)=1/6刮风时间122天，那么刮风的概率P(刮风)=？1记录一年天气情况下雨时间61天，那么下雨的概率P(下雨)=1/6刮风时间122天，那么刮风的概率P(刮风)=1/31记录一年天气情况下雨时间61天，那么下雨的概率P(下雨)=1/6刮风时间122天，那么刮风的概率P(刮风)=1/3根据记录查询得知，以往下雨时刮风的概率是1/2P(刮风|下雨)=?1记录一年天气情况下雨时间61天，那么下雨的概率P(下雨)=1/6刮

4、风时间122天，那么刮风的概率P(刮风)=1/3根据记录查询得知，以往下雨时刮风的概率是1/2P(刮风|下雨)=1/2由此可以得出，由此可以得出，P(P(下雨下雨|刮风刮风)=)=(1/6)*(1/2)/(1/3)=1/4(1/6)*(1/2)/(1/3)=1/41表达式表达式数值数值P(下雨|刮风)0.25P(冰雹|刮风)0.08P(晴天|刮风)0.28P(阴天|刮风)0.27.如果一定要选一个结果做天气预报，该选哪一个结果呢？1P(a|b)=P(a)P(b|a)/P(b)贝叶斯公式上述贝叶斯公式虽能解决问题，但是决定a的只有一个条件b吗？如何兼顾很多条件？10101朴素贝叶斯的条件独立假设

5、：假设各特征之间相互独立0 02 2其中，P(x)对所有属性相同，可以省略1u属性独立性假设在实际情况中很难成立；u但为什么朴素贝叶斯仍能取得较好的效果?1朴素贝叶斯的最终公式0101利用朴素贝叶斯方法进行分类，就是在诸多猜测结果中给出最优结果。0202只要各类别的条件概率排序正确，无需精准概率值，就可以得到正确的分类。本小节结束！人工智能朴素贝叶斯目录计算事物发生的可能性利用贝叶斯推荐商品算法的改进算法的评价1234编程实现朴素贝叶斯5利用贝叶斯推荐商品22某网站记录了一系列用户的消费行为TF表示有此类消费表示无此类消费训训练练集集训训练练集集测测试试集集预预测测2训练集的数据共12条啤酒的

6、数据6条口红的数据6条u啤酒分类的概率P(b)=0.5u口红分类的概率P(l)=0.52将“T”替换成“1”将“F”替换成“0”好处好处清点统计条目数量时，只需要简单求和运算2将“T”替换成“1”将“F”替换成“0”好处好处清点统计条目数量时，只需要简单求和运算计算条件概率：用求平均值的办法2将“T”替换成“1”将“F”替换成“0”好处好处清点统计条目数量时，只需要简单求和运算计算条件概率：用求平均值的办法获得相反行为的概率2应该向消费者推荐口红还是啤酒？啤酒数据口红数据2测试集数据0101以第7条数据为例0202P(b|data7)=P(b)P(t|b)P(m|b)P(l|b)P(e|b)0

7、303同理，P(l|data7)=0.0116 由此得出，应该推荐啤酒。=0.5*0.3333*0.6667*0.8333*0.8333 =0.0771本小节结束！人工智能朴素贝叶斯1目录计算事物发生的可能性利用贝叶斯推荐商品算法的改进算法的评价1234编程实现朴素贝叶斯51算法的改进33如果某属性的条件概率出现0值那么p(b|data7)=0.5*0*0.6667*0.8333*0.8333=0结果是应该向顾客推荐口红30101为了避免这种情况的发生，引入“平滑计算”0202“拉普拉斯平滑”是一种常用的平滑方式0303在计算概率时分子递增1，而分母加上训练集总的分类数，这样就保证在偏差不大的

8、情况下去除了“0”值的问题。333本小节结束！人工智能朴素贝叶斯目录计算事物发生的可能性利用贝叶斯推荐商品算法的改进算法的评价1234编程实现朴素贝叶斯5算法的评价41区域区域1区域区域2训练集和测试集将对算法的构建和评价产生很大影响1区域区域1区域区域2训练集和测试集将对算法的构建和评价产生很大影响u数据选取的要点是“均匀覆盖”u无论训练集和测试集，都应该保证数据属性的均匀u并且最好覆盖到所有类型的数据和数据属性1扩大数据集是消除偏差的最有效方法过拟合过拟合对现有样本数量训练强度过大导致模型用“训练集的特殊性”代替了现实世界的普遍性特点特点在“测试集”上表现优异到了泛化阶段，性能下降严重1分

9、配分配分配分配训练训练集和集和集和集和测试测试集的原集的原集的原集的原则则尽量不相交u将数据分成k个不交叉集合，每次用k-1个集合做训练集，用剩下的数据做测试集 k k折交叉验证法（折交叉验证法（kfoldcrossvalidationkfoldcrossvalidation）1全面性全面性全面性全面性准确性准确性准确性准确性模型的模型的评价价应该从两个方面入手从两个方面入手1利用人工智能方法检测网络环境中安全问题，发现10个问题，经检验其中9个确实是安全问题，那么这个人工智能模型应用的准确率是？1利用人工智能方法检测网络环境中安全问题，发现10个问题，经检验其中9个确实是安全问题，那么这个人

10、工智能模型应用的准确率是90%如何提高准确率呢？在上述例子中，我们只发现5个问题，而这5个问题又确实是安全问题，这时准确率是100%。这种检测方法好不好呢？显显然，召回率下降了然，召回率下降了然，召回率下降了然，召回率下降了1如何提高“召回率“呢？”捕风捉影”在上述例子中，实际上有10个安全问题，我们找出了20个问题，但是完全覆盖需要找出的10个安全问题，这时召回率100%。但是准确率呢？下降了。但是准确率呢？下降了。但是准确率呢？下降了。但是准确率呢？下降了。1模型的评价应该从两个方面入手准确性准确性准确率准确率全面性全面性召回率召回率召回率和准确率是一对矛盾概念矛盾概念，根据实际需要，侧重不同评价方式本小节结束！人工智能朴素贝叶斯目录计算事物发生的可能性利用贝叶斯推荐商品算法的改进算法的评价1234编程实现朴素贝叶斯5编程实现朴素贝叶斯556u一种利用概率理论的监督学习方法，通过朴素贝叶斯理论，可以利用可观测到的已经出现的数据，推测某事件的结果概率。朴素贝叶斯算法朴素贝叶斯算法算法流程算法流程图本小节结束！