推荐系统基础、方法与技术 课件 3.4.3 朴素贝叶斯模型示例.pptxVIP

3.4.3朴素贝叶斯模型介绍主讲人：

PART2朴素贝叶斯模型介绍什么是朴素贝叶斯模型贝叶斯定理贝叶斯定理来自英国数学家贝叶斯的研究成果，用于描述如何根据已知的条件更新概率。设X是类标号未知的数据样本，H为某种假设，数据样本X属于某特定的类，对于该分类问题，期望确定P(H|X)，即给定观测数据样本X，假定H成立的概率，称为后验概率，或称条件X下H的后验概率。分类问题就是要确定P(H|X)。朴素贝叶斯分类器朴素贝叶斯分类器（NaiveBayesClassifier,或NBC）是一种基于贝叶斯定理的分类方法，核心思想是在给定类别的情况下，假设样本的每个特征之间无关，对于要分类的给定项目，在该事件已经发生的情况下计算类别出现的后验概率，从而选择概率最大的作为推荐结果，将分类问题转化为概率问题。

PART2朴素贝叶斯模型介绍朴素贝叶斯模型举例问题说明我们提供了一个贝叶斯模型的例子，用于6个训练实例和2个测试实例。在表3-3中，列对应各个新闻文档的标识ID，行标识新闻文档的特征词。用户喜欢或者不喜欢在最后一列中进行说明。前6行是训练新闻文档集合，对应的是用户历史行为画像，最后2行是为该用户提供的两个候选推荐新闻文档，也就是测试实例，需要预测的是用户对该两个候选测试实例是否喜欢，如表3-3所示。

PART2朴素贝叶斯模型介绍朴素贝叶斯模型举例问题求解根据表格3-3中的特征，首先统计