機(jī)器學(xué)習(xí)原理與應(yīng)用電子教案 5.3樸素貝葉斯

備課日期：年月日授課時間課時（理論+實(shí)驗(yàn)）周次星期:節(jié)次:授課課題樸素貝葉斯教學(xué)目標(biāo)1.理解樸素貝葉斯基本原理。2.掌握樸素貝葉斯數(shù)學(xué)推導(dǎo)過程。3.掌握樸素貝葉斯算法的Scikit-learn庫使用方法。教學(xué)重點(diǎn)1.貝葉斯公式；2.樸素的含義。教學(xué)準(zhǔn)備PPT、點(diǎn)名冊等。教學(xué)方法指導(dǎo)閱讀、案例法。教學(xué)過程設(shè)計備注課題引入已知學(xué)生作息與成績關(guān)系數(shù)據(jù)，如何預(yù)測學(xué)生的成績？（如“出勤=早、休息=晚”的學(xué)生成績的好壞？）〖PPT〗展示數(shù)據(jù)與問題?！绾螌⒃搯栴}用數(shù)學(xué)形式表達(dá)？【時間】分鐘。教學(xué)步驟及主要內(nèi)容【主板書】§3.3.樸素貝葉斯一、基本原理【主板書】基本原理1.數(shù)據(jù)建模：設(shè)X為成績，A為出勤，B為休息，此問題即為求概率P1=P（X=好|A=早，B=晚）與P2=P（X=壞|A=早，B=晚）。2.利用貝葉斯公式求解概率P1與P2?！靖卑鍟控惾~斯公式（各部分的含義）〖PPT〗求解過程?！緩?qiáng)化與拓展】（1）概率、比較P1與P2的大小。（2）統(tǒng)計方法：如果特征維度較大或者每個特征取值較多時，通過列表統(tǒng)計估計每項概率的方式其實(shí)是不可行的！例1：假設(shè)特征向量包含4個特征，每個特征有10個特征值，則這4個特征的聯(lián)合概率分布是4維的，可能的情況就有10000種。3.樸素貝葉斯（1）含義：貝葉斯定理與特征條件獨(dú)立假設(shè)。（2）數(shù)學(xué)形式及求解?！緩?qiáng)化與拓展】類條件概率、先驗(yàn)概率、后驗(yàn)概率。（3）實(shí)例講解。〖PPT〗樸素貝葉斯數(shù)學(xué)形式與求解過程?！緯r間】分鐘?！咎釂枴?。二、Scikit-learn庫的使用【主板書】Scikit-learn庫的使用1.樸素貝葉斯庫類別：根據(jù)先驗(yàn)概率分類。2.庫引入（以GaussianNB為例）。fromsklearn.naive_bayesimportGaussianNB3.模型構(gòu)建。nb=GaussianNB()4.常用方法。nb.fit(x,y)：根據(jù)樣本x與類別標(biāo)識y對數(shù)據(jù)進(jìn)行擬合。nb.predict(x)：輸出測試集x的預(yù)測類別。nb.predict_proba(x)：輸出測試集x在各個類別上預(yù)測概率。5.數(shù)據(jù)構(gòu)造與具體應(yīng)用?！糚PT〗數(shù)據(jù)構(gòu)造與具體應(yīng)用過程?！緯r間】分鐘。【提問】。課堂練習(xí)其他無小結(jié)與作業(yè)課堂小結(jié)樸素貝葉斯是一種基于概率理論的分類算法，雖然其所依賴的特征之間條件獨(dú)立性假設(shè)在有些情況下并不符合實(shí)際（即“樸素”的由來），但因?yàn)樵砗蛯?shí)現(xiàn)都比較簡單，學(xué)習(xí)和預(yù)測的效率