机器学习-朴素贝叶斯学习-原理分析与C语言代码实现机器学习-朴素贝叶斯学习-原理分析与C语言代码实现机器学习-朴素贝叶斯学习-原理分析与C语言代码实现PAGE\*MERGEFORMAT1数据挖掘课程大作业题目：机器学习—朴素贝叶斯班级:信管2014-2班指导教师：汪传建日期:2017年11月21日机器学习—朴素贝叶斯学习原理分析与C语言代码实现一，任务介绍本文介绍朴素贝叶斯学习的基本原理以及其算法实现的C语言代码。朴素贝叶斯学习也叫朴素贝叶斯分类器，它是根据贝叶斯法则进行学习的一种算法。贝叶斯法则是条件概率相互计算的法则，即在已知P（A｜B）的情况下怎么计算P(B｜A）.P(A|B)是条件概率，表示在条件B成立的条件下条件A发生的概率，贝叶斯法则的表达式如下：即在条件A成立的条件下条件B发生的概率，等于条件B成立的条件下条件A发生的概率,乘以条件B发生的概率，再除以条件A发生的概率.朴素贝叶斯学习器（分类器)就是需要计算在某个样例条件下,计算每个目标属性项发生的概率,然后选出概率最大的目标属性。举例说明,假设现在我们在已知某一天气候的情况下（用weather表示），需要确定是否打网球(用yes和no表示）。朴素贝叶斯分类器就是要计算在已知weather的条件下,打网球的概率P（yes|weather)和P(no｜weather)，如果前者大于后者，就去打网球，否则就不去打网球。二,朴素贝叶斯学习器的原理说明根据前面的介绍，朴素贝叶斯学习器就是需要计算在已知气候的情况下，分别计算出打网球的概率和不打网球得概率，然后选择概率大者作为最终的学习(分类）结果。在这里,气候weather用四个属性表示，分别是Outlook(天气)、Temperature（温度)、Humidity（湿度)和Wind(风强度）。先用贝叶斯公式表示为：称vMAP为在给定实例的属性值（weather的各属性值）下，得到的最可能的目标值，也就是条件概率最大的值.其中V=｛yes，no｝，也就是说vMAP为目标属性集V中各取值(yes或no)的概率最大的。朴素贝叶斯学习器即使根据上面的公式推导而来.现在我们根据贝叶斯法则重写上面的公式:要作一些相应的假定，即给定目标值时，各属性值之间的相互条件独立。我们把weather用｛Outlook，Temperature，Humidity,Wind｝表示，把式３重写为：根据假定,给定目标值时,某气候下的概率就等于给定该目标值时各属性的概率的乘积：P（Outlook，Temperature，Humidity，Wind｜vj)=P（Outlook|vj）＊P(Temperature|Vj）＊P(Humidity｜vj)*P(Wind|vj）……………………………5把式５带入式４中就得到我们要求的朴素贝叶斯的表达式：三，示例为了能更进一步了解朴素贝叶斯学习的原理，我们用一个示例来加以说明。该示例用表1中的数据作为训练样例，然后根据表达式6对测试样例进行朴素贝叶斯分类，测试样例如下：weather={Outlook=sunny，Temperature=cool,Humidity=high,Winds=strong｝；DayOutlookTemperatureHumidityWindPlayTennisDlSunnyHotHighWeakNoD2SunnyHotHighStrongNoD3OvercastHotHighWeakYesD4RainMildHighWeakYesD5RainCoolNormalWeakYesD6RainCoolNormalStrongNoD7OvercastCoolNormalStrongYesD8SunnyMildHighWeakNoD9SunnyCoolNormalWeakYesDl0RainMildNormalWeakYesDl1SunnyMildNormalStrongYesDl2OvercastMildHighStrongYesDl3OvercastHotNormalWeakYesDl4RainMildHighStrongNo表1:朴素贝叶斯学习起使用的训练样例我们先计算P(Vj）的值，Vj有两个值，yes和no：P（yes）=9/14=0。643，P（no）=5/14=0。357.然后分别计算在目标属性为yes和no时，测试样例的各个属性的条件概率。注意,我们在计算各个属性的条件概率时,采用了m-估计的方法计算。比如在计算P（sunny|yes）(目标属性为yes，Outlook的属