技能训练
（1）简述贝叶斯公式原理。
（2）朴素贝叶斯大数据算法操作实践。
① 作业目的。
a. 理解朴素贝叶斯算法原理；
b. 掌握朴素贝叶斯算法框架；
c. 掌握常见的高斯模型、多项式模型和伯努利模型；
d. 能根据不同的数据类型，选择不同的概率模型实现朴素贝叶斯算法；
e. 针对特定应用场景及数据，能应用朴素贝叶斯解决实际问题。
② 作业准备。
Orange3 软件下载
并安装。
Iris 数据集下载采用 Orange3 平台自带数据库。
实现样本的分类，需要通过计算条件概率而得到，计算条件概率的方法称为贝叶斯准则，其计算方法为
朴素贝叶斯分类器，其核心方法是通过使用条件概率来实现分类，应用贝叶斯准则可以得到
并安装。
Iris 数据集下载采用 Orange3 平台自带数据库。
实现样本的分类，需要通过计算条件概率而得到，计算条件概率的方法称为贝叶斯准则，其计算方法为
朴素贝叶斯分类器，其核心方法是通过使用条件概率来实现分类，应用贝叶斯准则可以得到
数据集说明：Iris 数据集包含 150 个样本，对应数据集的每行数据。每行数据包含每个样本的四个特征和样本的类别信息，所以 Iris 数据集是一个 150 行 5 列的二维表。通俗地说，Iris 数据集是用来给花做分类的数据集，每个样本包含了 sepal_length（花萼长度）、sepal_width（花萼宽度）、petal_length（花瓣长度）、petal_width（花瓣宽度）四个特征（前 4 列），我们需要建立一个分类器，分类器可以通过样本的四个特征来判断样本属于山鸢尾、变色鸢尾还是维吉尼亚鸢尾（这三个名词都是花的品种）。样本库的局部截图如下图所示。
③ 作业内容。
a. 实现高斯朴素贝叶斯算法；
b. 熟悉 Orange 可视化的朴素贝叶斯算法；
c. 针对 Iris 数据集，应用 Orange 可视化朴素贝叶斯算法进行类别预测；
d. 针对 Iris 数据集，利用各种参数对朴素贝叶斯算法进行类别预测。
Ⅰ. 取前两个特征值，如图 2-3-5 所示。
③ 作业内容。
a. 实现高斯朴素贝叶斯算法；
b. 熟悉 Orange 可视化的朴素贝叶斯算法；
c. 针对 Iris 数据集，应用 Orange 可视化朴素贝叶斯算法进行类别预测；
d. 针对 Iris 数据集，利用各种参数对朴素贝叶斯算法进行类别预测。
Ⅰ. 取前两个特征值，如图 2-3-5 所示。
![[size=100][justify] 图 2-3-5 GaussianNB 对鸢尾花数据的分类结果[/justify][/size]](https://www.geogebra.org/resource/mvhkmxb4/jZzJb2wWC8xhEzRX/material-mvhkmxb4.png)
图 2-3-5 GaussianNB 对鸢尾花数据的分类结果
Ⅱ. 取后两个特征值，如图 2-3-6 所示。
![[size=100] 图 2-3-6 GaussianNB 对鸢尾花数据的分类结果[/size]](https://www.geogebra.org/resource/fvmdrkhv/k04c0raoVH4eqYl7/material-fvmdrkhv.png)
Ⅲ. 撰写数据测试报告。