機器學習裡面，有個簡單又實用的model 叫做貝氏分類器。這個詞或許很陌生，但大家的生活中已經有很多相關的應用，比如:垃圾郵件分類、塞車預測、甚至是簡單的天氣預測..等。
現在，貝氏分類可以應用在更多的地方，比如:AI聊天機器人、案件分類(預測)…等，可以參考另一篇文章 — Python實作篇(2022/2月終於出版啦!)。
現在就來介紹一下，貝氏分類器的背後貝氏定理的原理、概念說明。
進入正題
在機器學習套件sklearn裡的MultinomialNB貝氏分類器，是建立在公式 —
貝氏定理 — 上。
維基百科對於貝氏定理的說明:
貝氏定理（英語：Bayes’ theorem）是概率論中的一個定理，描述在已知一些條件下，某事件的發生機率。比如，如果已知某癌症與壽命有關，使用貝氏定理則可以通過得知某人年齡，來更加準確地計算出他罹患癌症的機率。
公式非常簡單，一行就結束了:
其中 P(A|B) 代表條件機率，計算方法為
也就是 B發生的情況(條件)下，A發生的機率；
比如 下雨(B)的情況下，遲到(A)的機率。
來個例子吧
其實生活中很常見，假設過去一周Jeff 遲到跟天氣的數據如下:
如果我們要算 Jeff在 雨天(B)的情況下，會遲到(A)的機率:
根據資料，這周有三天下雨，下雨的三天中又有兩天遲到，所以
P(遲到|雨天) = 2/3 = 66.7%
貝氏定理上場
如果用上面圖片的貝氏定理來算就會是
其中
P(下雨) =下雨的機率 = 3/7
P(遲到) = 遲到的機率 = 3/7
P(下雨|遲到) = 遲到的情況下，下雨的機率 = 2/3
最後算出來 雨天遲到的機率 = (2/3)(3/7) / (3/7) = 2/3 = 66.7%
當然遲到的原因可能複雜，於是我們可以加入星期幾、時間、開車騎車等更多的條件，整個公式可以拓展成
圖片是拿來嚇嚇人的，實際動手算比較快。
Q: 今天是個下雨的平日，姊夫Jeff會不會遲到?
平日下雨，遲到的機率:
同理 ，平日下雨，準時(沒遲到)的機率:
透過簡單的貝氏定理計算，我們算出平日下雨Jeff遲到的機率(62%) > 準時的機率 35%。
結論如果有人在一個平日下雨的日子跟你打賭Jeff今天會不會遲到，猜遲到，你會有比較大的機會贏錢 (誤
當然，除了猜Jeff會不會遲到，這個用在文字上面也是很強大的，就是我的下一篇文章 — 聊天機器人
還有不懂可以參考這個國外的影片，講得非常清楚
了解原理可以在資料調整上更有方向，如果還看不懂直接用用看也可以，實作可以看我的另一篇文章Python實作(待出版XD)
祝大家都能在自己的人生、事業上成功，然後跟別人打賭都贏。
如果有讓你看完這篇文，可以幫我拍手 1–10 下
如果覺得文還算有趣，可以幫我拍手 10-20 下
如果覺得這文章讓你有點收穫，請幫我拍手 20–30 下
如果覺得想看到更多關於學習筆記的文章，可以幫我拍手 30–50 下
讓我知道，也記得 Follow我 DerekWu
更歡迎你在下方留言，我很樂意與你討論聊天或回答問題！