关于朴素贝叶斯
朴素贝叶斯分类的原理：
对于给出的待分类项目，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项就属于哪个分类。
在这就不给出贝叶斯定理了，其实还是比较好理解的。
那么对于朴素贝叶斯分类器的包有很多，自己用的比较顺手的是e1071和klaR，这次以e1071为例
其中的的主要函数为naiveBayes(formula, data, laplace = 0)
formula: 公式的主要形式为type ~ . ，但是相互作用是不允许的(可以参照贝叶斯信念网络)
laplace: 正面双控制拉普拉斯平滑，默认值为0表示禁用。
data：数据集
data("Glass")model<-naiveBayes( Type ~ .,data = Glass)prd_test_Glass<-predict(model, Glass[1:10,],tpye = "raw")prd_test_Glass
结果如下> prd_test_Glass
[1] 2 1 1 1 1 1 1 1 3 1
Levels: 1 2 3 5 6 7
可以看到对于glass的分类有7种，而对于数据集的前十行玻璃的分类结果为： 2 1 1 1 1 1 1 1 3 1
那么对比下数据，实际上Glass数据集的前10种玻璃的分类都为1，说明分类失误两个，整体判断的准确率还是有的。
总结一下，之前看到有大神用Titanic数据集做朴素贝叶斯分类，得到最后船上的人符合什么样的条件最容易获救，还是比较有意义的，于是自己做了下进行了对比，并且用了e1071和klaR两个包，结果还是不尽相同的。对于朴素贝叶斯整体而言还能做的还有很多，例如根据用户行为的社交网络、网络游戏的流失分析依然可以用到朴素贝叶斯分类器。