浅读机器学习有感（三）

十一、朴素贝叶斯分类算法：

11.1原理公式：

11.2使用示例：

11.3拉普拉斯平滑系数：

       作用：为了解决数据集中出现0的情况

       使用：

11.4sklearn中朴素贝叶斯算法API：

11.5案例分析：

       需求：对20个新闻组数据集包含20个主题的18000个新闻组帖子进行分类

       实现：

         朴素贝叶斯算法总结：

十二、精确率与召回率

          混淆矩阵：

        精确率：预测结果为正例样本中真实为正例的比例（查得准）

         召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）

         分类模型评估API：

十三、模型的选择与调优：

          1.交叉验证

                   流程：将拿到的数据，分为训练和验证集。以下图为例：将数据分成5份，

                             其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同的验证集。

                             即得到5组模型的结果，取平均值作为最终结果。又称5折交叉验证。

          2.网格搜索

                    流程：通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），

                              这种叫超参数。但是手动过程繁杂，所以需要对模型预设几种超参数组合。

                              每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。

                    API：

+