程序员 · 老孟 
你将学会
- 掌握概率、条件概率与贝叶斯公式的推导逻辑
- 理解特征条件独立假设及其带来的偏差
- 能独立完成文本分词到分类判定的全流程
- 明确平滑处理对零概率问题的修正作用
手机阅读
手机阅读
本课程通过贝叶斯公式推导与垃圾邮件算例讲解朴素贝叶斯，解决文本自动分类问题，帮助学习者掌握分词、平滑与概率计算完整流程。
这一节我们将通过学习贝叶斯公式、朴素贝叶斯、文本分类案例三部分来了解垃圾邮件识别的算法原理。 通过这三部分的学习，将对朴素贝叶斯算法的原理有更加深刻的理解，为实现后续功能提供算法理论支撑。 2026-08-12 课件内容排版变动：原来的三部分内容都放在下面，不用跳转到新的链接了。 1. 贝叶斯公式（Bayes） 贝叶斯公式是概率论中的一个重要公式，它以18世纪英国数学家托马斯·贝叶斯（Thomas Bayes）的名字命名。它用于计算在给定一些先验信息的情况下，估计某一事件的概率。 贝叶斯公式在许多领域中都有广泛的应用，包括统计学、机器学习、人工智能、自然语言处理、医学诊断、金融建模等，在许多实...
聚焦文本分类中一种很常用的具体变体：它把每个词只看作出现或不出现两种状态，而非计数多少。文章从伯努利分布讲起，说明训练阶段如何统计各类别下的条件概率并做平滑，预测阶段又为何要转成对数概率连乘来防溢出，最后对照算出两封样本的得分并判定类别。适合已经了解朴素贝叶斯全貌的读者，读完能亲手推一遍二值特征下的分类过程。
高斯朴素贝叶斯（Gaussian Naive Bayes）是一种基于贝叶斯定理的分类算法，它假设数据的特征遵循高斯（正态）分布，属于朴素贝叶斯分类器的一种。 我们可以基于词频、TF-IDF、Word2Vec 等方法将邮件内容转换为向量表示。 1. 高斯分布 高斯分布，也称为正态分布，是统计学中最常见的概率分布之一，它在自然界和社会现象中都有着广泛的应用。高斯分布的形状呈钟形曲线，其特点是均值（μ）确定了曲线的中心位置，标准差（σ）确定了曲线的宽度。 高斯分布中，均值决定了图像的位置，均值较大相对靠右，均值较小，相对靠左。方差决定了分布范围，方差越大，则分布范围越大，方差越小分布范围就越集中。 ...
冀公网安备13050302001966号