机器学习有两个主要模型：的回归和分类。 在回归模型中，输出变量是连续的，但在分类模型中，输出变量是离散的。 本文将深入了解：型号更常见、更有效的朴素无私的懒汉。

朴素无私的小懒汉模型基于朴素无私的小懒汉定理，朴素无私的小懒汉定理基于一些简单的概率规则。

首先，

事件发生的概率为零，因为事件没有结果。 这个规则是：

这里表示“empty set”。

接下来，

我们可以用下面雪白的睫毛图直观地思考这个问题

import pylab as plt

from matplotlib_venn import venn2

ven N2 (subsets=(5，5，3 )，set_labels=) (p ) a )，p ) b ) )；

Thirdly、

A | B被翻译为“A given B”或a出现的机会(如果发生b )。

然后，

这个规则是从以前的规则派生出来的，把p(b )挂在两边就可以了。

假设为了将条件概率放入上下文，有52张卡，第一个人已经在画Ace (事件a )，所以正在计算画Ace (事件a )的概率。

一组扑克牌中共有4个a，所以没有人提取第一个获得Ace的机会，所以是4/52。

你这就来。 我知道第一个人画了王牌，所以画画的机会就少了。 因为现在牌里只剩下少一张51张牌而不是52张牌的3个a。

因此，绘制Ace的概率表示为：

这表明事件a发生的概率和事件b的概率约为1/221的0.5%。

我们有一个全概率公式：

这个规则对于表达极限概率和条件概率之间的关系很重要。 它涵盖了基于各种事件发生结果的概率。

现在，我们涵盖了概率规则的基础。 我打算学习利他懒惰定理及其应用。

无私的小懒汉定理表示如下。

p(a )表示事件a发生概率

p(b )表示事件b发生概率

p(b|a )=p ) given P(A ) a ) ) )

p(a|b )=p ) a ) given P(B ) b ) )。

定理的应用：

机器学习中，利他懒惰定理常用于文本数据。 其应用中的一个可以用基本分类问题来表示，这个基本分类问题是电子邮件是否属于“垃圾邮件”或“ham”类。

也就是说，我们正在计算发送到此电子邮件的单词的概率。

应用我们的概率规则，这个方程可以进一步细分为：

可见，这个等式变得非常复杂和冗长。

现在是朴素无私的小懒汉模型的用处！

为了简化上面的等式，应用在朴素贝叶斯定理概念上建立的分类模型方法——朴素贝叶斯分类算法。 但是，有潜在的问题：

这是不现实的假设。 我们所有的特征都是相互独立的。 这是不现实的。 例如，电子邮件中的单词，因为很多单词是相互关联的。

通过建立这个假说，以前是什么？

现在简化为这个，

所以，你可能觉得这个很好用。 而且，你是绝对正确的。 这是机器学习中常用的理由。 特别是文本分析，比如我们上面的例子。 由于这个模型是不切实际的假设，所以并不完美，但它能提高计算效率，产生惊人的准确分类！