###### tags: `machine learning`|`python`

# 機器學習 - 單純貝氏分類器(Naive Bayes)
## 介紹
* 假設特徵之間強（樸素）獨立下運用<font color="#3355FF">貝氏定理</font>為基礎的簡單機率分類器
* 特徵之間為相互獨立的(但現實中不太可能完全獨立)，公式為$P(A|X)=\cfrac{P(X|A)*P(A)}{P(X)}$($X$為特徵，$A$為類別)

## 貝式定理
公式：$P(A|B)=\cfrac{P(B|A)*P(A)}{P(B)}$
> $P(A|B)$表示==在B發生的情況下，A發生的機率為何==
### 例子
$Ans:$
$P(Defect|Mach2)=\cfrac{P(Mach2|Defect)*P(Defect)}{P(Mach1)}=\cfrac{0.5*0.01}{0.4}=0.0125=1.25$%

## Naive Bayes


$P(Walks|X)=\cfrac{P(X|Walks)*P(Walks)}{P(X)}$
$P(Drives|X)=\cfrac{P(X|Drives)*P(Drives)}{P(X)}$
> * Likelihood為可能性，表示獨立特徵X(以此例來說是$Salary$或$Age$)發生的可能性
> * 用來比較$P(Walks|X)$與$P(Drives|X)$哪個較高，較高者就將此資料點分為那類(以此例來說是$Walks$或$Drives$)
### 算法
我還沒寫ouo

## 程式碼操作

## 練習
機器學習-第14週教學影片觀看【Naive Bayes(單純貝氏分類器)】
$Ans:$
1. $P(Defect|Mach1)=\cfrac{P(Mach1|Defect)*P(Defect)}{P(Mach1)}=\cfrac{0.5*0.01}{0.6}=0.008\bar{3}=0.833$%
2. 運用貝氏定理為基礎的簡單機率分類器，特徵之間為相互獨立的(但現實中不太可能完全獨立)，公式為$P(A|X)=\cfrac{P(X|A)*P(A)}{P(X)}$($X$為特徵，$A$為類別)

機器學習-作業