1、贝叶斯公式的本质： u由因到果，由果推因/u
10余年的建湖网站建设经验，针对设计、前端、开发、售后、文案、推广等六对一服务，响应快，48小时及时工作处理。成都营销网站建设的优势是能够根据用户设备显示端的尺寸不同，自动调整建湖建站的显示方式，使网站能够适用不同显示终端，在浏览器中调整网站的宽度，无论在任何一种浏览器上浏览网站，都能展现优雅布局与设计，从而大程度地提升浏览体验。成都创新互联公司从事“建湖网站设计”,“建湖网站推广”以来，每个客户项目都认真落实执行。
2、贝叶斯公式：
[图片上传中...(wps6.png-5fd624-1618488341725-0)]
1、朴素贝叶斯公式
x1，x2,...xn为特征集合，y为分类结果
朴素贝叶斯假设各个特征之间相互独立
分母相同情况下，我们只要保证分子最大
训练数据集
long,not_long,sweet,not_sweet,yellow,not_yellow,species
400,100,350,150,450,50,banana
0,300,150,150,300,0,orange
100,100,150,50,50,150,other_fruit
测试数据集
long,sweet,yellow
not_long,not_sweet,not_yellow
not_long,sweet,not_yellow
not_long,sweet,yellow
not_long,sweet,yellow
not_long,not_sweet,not_yellow
long,not_sweet,not_yellow
long,not_sweet,not_yellow
long,not_sweet,not_yellow
long,not_sweet,not_yellow
long,not_sweet,yellow
not_long,not_sweet,yellow
not_long,not_sweet,yellow
long,not_sweet,not_yellow
not_long,not_sweet,yellow
结果
特征值：[not_long, not_sweet, not_yellow]
预测结果：{'banana': 0.003, 'orange': 0.0, 'other_fruit': 0.018750000000000003}
水果类别：other_fruit
特征值：[not_long, sweet, not_yellow]
预测结果：{'banana': 0.006999999999999999, 'orange': 0.0, 'other_fruit': 0.05625000000000001}
水果类别：other_fruit
特征值：[not_long, sweet, yellow]
预测结果：{'banana': 0.063, 'orange': 0.15, 'other_fruit': 0.018750000000000003}
水果类别：orange
特征值：[not_long, sweet, yellow]
预测结果：{'banana': 0.063, 'orange': 0.15, 'other_fruit': 0.018750000000000003}
水果类别：orange
特征值：[not_long, not_sweet, not_yellow]
预测结果：{'banana': 0.003, 'orange': 0.0, 'other_fruit': 0.018750000000000003}
水果类别：other_fruit
特征值：[long, not_sweet, not_yellow]
预测结果：{'banana': 0.012, 'orange': 0.0, 'other_fruit': 0.018750000000000003}
水果类别：other_fruit
特征值：[long, not_sweet, not_yellow]
预测结果：{'banana': 0.012, 'orange': 0.0, 'other_fruit': 0.018750000000000003}
水果类别：other_fruit
特征值：[long, not_sweet, not_yellow]
预测结果：{'banana': 0.012, 'orange': 0.0, 'other_fruit': 0.018750000000000003}
水果类别：other_fruit
特征值：[long, not_sweet, not_yellow]
预测结果：{'banana': 0.012, 'orange': 0.0, 'other_fruit': 0.018750000000000003}
水果类别：other_fruit
特征值：[long, not_sweet, yellow]
预测结果：{'banana': 0.108, 'orange': 0.0, 'other_fruit': 0.00625}
水果类别：banana
特征值：[not_long, not_sweet, yellow]
预测结果：{'banana': 0.027, 'orange': 0.15, 'other_fruit': 0.00625}
水果类别：orange
特征值：[not_long, not_sweet, yellow]
预测结果：{'banana': 0.027, 'orange': 0.15, 'other_fruit': 0.00625}
水果类别：orange
特征值：[long, not_sweet, not_yellow]
预测结果：{'banana': 0.012, 'orange': 0.0, 'other_fruit': 0.018750000000000003}
水果类别：other_fruit
特征值：[not_long, not_sweet, yellow]
预测结果：{'banana': 0.027, 'orange': 0.15, 'other_fruit': 0.00625}
水果类别：orange
1、函数的分类：
内置函数：python内嵌的一些函数。
匿名函数：一行代码实现一个函数功能。
递归函数
自定义函数：根据自己的需求，来进行定义函数。
2、方法的分类：
普通方法：直接用self调用的方法。
私有方法：__函数名，只能在类中被调用的方法。
属性方法：@property，将方法伪装成为属性，让代码看起来更合理。
特殊方法(双下划线方法)：以__init__为例，是用来封装实例化对象的属性，只要是实例化对象就一定会执行__init方法，如果对象子类中没有则会寻找父类（超类），如果父类（超类）也没有，则直接继承object（python 3.x）类，执行类中的__init__方法。类方法：通过类名的调用去操作公共模板中的属性和方法。
静态方法：不用传入类空间、对象的方法， 作用是保证代码的一致性，规范性，可以完全独立类外的一个方法，但是为了代码的一致性统一的放到某个模块（py文件）中。
其次，从作用域的角度来分析：
（1）函数作用域：从函数调用开始至函数执行完成，返回给调用者后，在执行过程中开辟的空间会自动释放，也就是说函数执行完成后，函数体内部通过赋值等方式修改变量的值不会保留，会随着返回给调用者后，开辟的空间会自动释放。
（2）方法作用域：通过实例化的对象进行方法的调用，调用后开辟的空间不会释放，也就是说调用方法中对变量的修改值会一直保留。
最后，调用的方式不同。
（1）函数：通过“函数名（）”的方式进行调用。
（2）方法：通过“对象.方法名”的方式进行调用。
可以呀，有很多种的
from sklearn import ensemble
集成分类器(ensemble)：
1.bagging(ensemble.bagging.BaggingClassifier)
对随机选取的子样本集分别建立基本分类器，然后投票决定最终的分类结果
2.RandomForest(ensemble.RandomForestClassifier)
对随机选取的子样本集分别建立m个CART(Classifier and Regression Tree)，然后投票决定最终的分类结果
Random在此处的意义：
1）Bootstrap 中的随机选择子样本集
2）Random subspace 的算法从属性中随机选择k个属性，每个树节点分裂时从这随机的k个属性中，选择最优的
3.Boosting(ensemble.weight_boosting)
在选择分类超平面时给样本加了一个权值，使得loss function尽量考虑那些分错类的样本。（i.e.分错类的样本weight 大）
-boosting 重采样的不是样本，而是样本的分布。最后的分类结果是几个弱分类器的线性加权和。注意这几个弱分类器都是一种base classifier类别。
-与bagging的区别：bagging 的训练集是随机的，各训练集是独立的；而boosting训练集的选择不是独立的，每次选择的训练集都依赖于上一次学习的结果；
bagging的每个预测函数（即弱假设）没有权重，而Boosting根据每一次训练的训练误差得到该次预测函数的权重；
bagging的各个预测函数可以并行生成，而boosting的只能顺序生成。对于神经网络这样极为耗时的学习方法，Bagging可通过并行训练节省大量的时间开销。
-与bagging的共同点：都可以通过使用for循环给estimator赋不同的分类器类型，以实现集成多种分类器，而不是单一的某一种（比如决策树）。
代表算法 Adaboost 和 Realboost。总的来说，Adaboost 简单好用，Realboost 准确
4.Stacking
在stacking（堆叠）方法中，每个单独分类器的输出会作为更高层分类器的输入，更高层分类器可以判断如何更好地合并这些来自低层的输出。
