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：
+
网友评论