2019-03-07请问老师p(c|fi,fj) = p(c|fi) * p(c|fj)这一步是怎么推导出来的呀？ 3 11
2019-03-02感觉老师讲得特别好,谢谢老师!同时还在极客上购买了人工智能和数据分析的课程,都讲了朴素贝叶斯,在这讲得最明白作者回复: 感谢支持🙏
7
2019-02-11朴素贝叶斯，朴素的原因是假设各个特征是相互独立的。 7
2019-06-02请问老师：
P(c|fi)的值不也是可以直接从训练样本中统计出来的么，为什么要用贝叶斯定理转换成p(fi|c) * p(c) / p(fi)， 用另外三个统计值计算出来呢。作者回复: 这是一个非常好的问题。确实从实现的角度来说，我们也可以直接统计p(c|fi)，不过这需要一些额外的数据结构，例如类似搜索引擎的倒排索引，以及对应的预处理。这会引入一些额外的空间和实际复杂度开销，特别是在大规模并行处理的时候，更加复杂一点。
1 6
2019-07-07p(c|f1,f2)=p(c|f1)*p(c|f2)/p(c) 应该是这样子吧作者回复: 严格来说，应该这样推导 p(c|f1,f2)=p(c,f1,f2)/p(f1,f2)=p(c)*p(f1|c)*p(f2|f1,c)/p(f1,f2)
由于朴素贝叶斯中的马尔科夫假设，f1和f2独立，p(c)*p(f1|c)*p(f2|f1,c)=p(c)*p(f1|c)*p(f2|c)，而p(f1,f2)=p(f1)*p(f2)，所以p(c)*p(f1|c)*p(f2|f1,c)/p(f1,f2) = p(c)*p(f1|c)*p(f2|c)/(p(f1)*p(f2)) 3 5
2019-03-25为何三个概率加起来不是等于1，新来的水果不是苹果就是橙子或者西瓜啊，另外想问极客的机器学习课程在哪里有，谢谢作者回复: 需要把三个概率再归一化，因为这个概率都只是近似值，是根据贝叶斯规则推算的，所以不是真实的概率，只是一个推算值，看相对大小。
另外，极客时间里有机器学习的课程，你可以看看专栏或者视频课程的列表 1 4
2019-02-16朴素贝叶斯 必须各个特征相互独立的吗？作者回复: 是的，朴素贝叶斯的“朴素”或者说naive就是指这个“天真”的假设。当然，很多时候并不成立，我们可以使用多阶马尔科夫模型来稍作修改，后面几节会有介绍。
4
2019-02-11越看到后面越吃力，前面的也要再重新捋一遍作者回复: 反复阅读和练习，就能加深印象，加油！
4
2019-07-03太牛逼了，以前看过数学之美，就立志以后得安排一下数学，这次看老师的文章，真正意义上进行正面接触了，而且讲的相当接地气，易于理解。👍🏻作者回复: 很高兴这个专栏对你有价值
1
2019-04-30老师，有个问题，我感觉好像只要用朴素的方法，不用贝叶斯公式就能得到结果了。
但是有的地方结果又不对。比如在计算p(西瓜的时候|o)，前面部分p(西瓜|shape-2)和贝叶斯算的一样，但是p(西瓜|taste-2)算出来的是0。作者回复: 你可以参考前面那个推导
1
2020-02-03垃圾邮件可以用贝叶斯分类作者回复: 确实是
- 2020-01-09通过近段时间的学习，我明白了概率论是研究随机现象统计规律的科学，是近代数学的一个重要组成部分。概率论与数理统计是研究随机现象统计规律的一门数学学科，是对随机现象的统计规律进行演绎和归纳的科学。其实，我们日常经济生活中到处都有概率的影子。小到天气预报，大到火箭上天，都离不开概率论。保险业、金融业的风险预测更是与概率论休戚相关。通过计算体育彩票或福利彩票的中奖概率大小可以发现：实际上，只有极少数人能中奖，购买者应怀有平常心，既不能把它作为纯粹的投资，更不应把它当成赌博行为。利用概率可以解释街头上的一些常见的赌博游戏中主持者在每局中一般都会赢。总之，概率的应用可以使我们生活和投资得更理智。这就是我对概率和数理统计在现实生活当中的应用和理解。
2019-12-29之前拉下的，现在回来补一补，概率统计居然有这么大的作用，我已经决定把大学里概率论与数理统计那本书翻出来重新复习了，O(∩_∩)O哈哈~作者回复: 很高兴对你有所启发
2019-11-15听君一席话，胜读十年书 这钱花得值了 谢谢老师浅入深出的讲解作者回复: 很高兴对你有用👍
2019-10-28老师，这一讲真的很清楚明白，比其他的书籍和教程讲的形象和容易理解作者回复: 感谢支持！
2019-09-02我个人觉得联合分布是贝叶斯公式的枢纽，由已知的条件概率求出联合分布，再由联合分布求出待求的条件概率，老师这样理解正确吗，多谢！作者回复: 是的
- 2019-07-09关于评论中的证明我还是不太明白，如果
p(c)*p(f1|c)*p(f2|f1,c)=p(c)*p(f1|c)*p(f2|c)成立，
那么p(f2|f1,c)=p(f2|c)怎么通过条件独立的前提得出的？
而且证出的结论也和文中的不一样
结论是p(c)*p(f1|c)*p(f2|c)/p(f1)*p(f2),
而文中的换算下来p(c)*p(f1|c)*p(c)*p(f2|c)/p(f1)*p(f2),
不知道是我哪里搞错了展开作者回复: 两者对于后验概率最大化来说是一致的，p(c)*p(f1|c)*p(f2|c)/p(f1)*p(f2)是基于马尔科夫假设的推导
2019-06-27P(c|o) = P(c|(fi, fj)) = P(c|fi) * P(c|fj)，
这一步的推导，是基于上面朴素贝叶斯假设得到的。
如苹果中口味是甜、形状是圆的概率：P(甜的、圆的)=P(甜的) * P(圆的)，口味、形状对分析的对象属于苹果的概率是独立的。即不考虑一个苹果既是圆的又是甜的。虽然和实际不符，但这就是朴素的表现。
黄老师，上面这样理解对吗作者回复: 对，直观上理解是这样的
- 2019-06-12看了两边，照猫画虎了好几遍，貌似懂了，继续加油中........
谢谢老师~作者回复: 可以自己动手实现一个NB的分类器，加深印象
2019-05-20重点还是对贝叶斯公式的理解，后面的都是基于公式的变形作者回复: 没错👍