实现了高斯、多项式、伯努利三种朴素贝叶斯模型，能够处理离散型数据和连续型数据，并提供预测结果概率。对于像鸢尾花这类的连续型数据可以直接采用MyGaussianNB预测。离散型数据采用MyMultinomialNB预测。离散型数据，且特征值只有0,1两种取值情况的采用MyBernoulliNB预测。三种模型都可以通过score方法评估模型准确率，都可以通过predict_proba方法输出预测结果概率。 此外，为了优化和改进模型，使MyMultinomialNB和MyBernoulliNB能够预测连续型数据，还实现了基于numpy和pandas的分箱函数MyDiscretizer以及二值化函数MyBinarizer。

贝叶斯分类算法是统计学的一种概率分类方法，朴素贝叶斯分类是贝叶斯分类中最简单的一种。其分类原理就是利 用贝叶斯公式根据某特征的先验概率计算出其后验概率，然后选择具有最大后验概率的类作为该特征所属的类。之所以称之为”朴素”，是因为贝叶斯分类只做最原始、最简单的假设：所有的特征之间是统计独立的。 朴素贝叶斯法（Naive Bayes model）是基于贝叶斯定理与特征条件独立假设的分类方法。 最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响

朴素贝叶斯算法学习笔记。

提出了一种利用支持向量机改进的朴素贝叶斯算法——TSVM-NB算法。首先利用NB算法对样本集进行初次训练，利用支持向量机构造一个最优分类超平面，每个样本根据与其距离最近样本的类型是否相同进行取舍，这样既降低样本空间规模，又提高每个样本类别的独立性，最后再次用朴素贝叶斯算法训练样本集从而生成分类模型。仿真实验结果表明，该算法在样本空间进行取舍过程当中消除了冗余属性，可以快速得到分类特征子集，提高了垃圾邮件过滤的分类速度、召回率和正确率。

在学习《数据科学导引》第四章分类算法——决策树及朴素贝叶斯时可以参考本课件，基本原理通俗易懂，并举了相关例子，在决策树剪枝部分对课本内容做了补充，有兴趣可以翻阅。 汇报前查阅了很多相关资料，进行了整合和总结，如果有不甚清晰的地方可以私聊探讨，本人在课堂上对本部分做讲解的时候收到了很好的反响。 如果有不同的见解及学习方法，欢迎在评论区留言提问或提出建议。

1、内容概要：本资源主要基朴素贝叶斯算法实现垃圾邮件过滤分类，适用于初学者学习文本分类使用。 2、主要内容：邮件数据集email，email文件夹下有两个文件夹ham和spam，其中ham文件夹下的txt文件为正常邮件，spam文件下的txt文件为垃圾邮件；停用词文件stopwords_cn.txt；Naive_Bay.py 朴素贝叶斯算法实现源码；Email_NB.py垃圾邮件分类实现源码。

1、内容概要：本资源主要基朴素贝叶斯算法实现新闻分类，适用于初学者学习文本分类使用。 2、新闻分类源码实现过程：将数据集划分为训练集和测试集；使用jieba模块进行分词，词频统计，停用词过滤，文本特征提取，将文本数据向量化，使用朴素贝叶斯算法进行分类。 3、主要内容：搜狗新闻数据集SogouC，标签包括财经、IT、健康、体育、旅游、教育、招聘、文化和军事；停用词文件stopwords_cn.txt；Naive_Bay.py 朴素贝叶斯算法实现源码；News_NB.py新闻分类实现源码。

mahout中的贝叶斯算法的拓展开发包，提供了相关接口可以供用户调用，直接即可跑出结果，相关运行方式参考blog《mahout贝叶斯算法开发思路（拓展篇）》

python语言实现基于朴素贝叶斯算法的垃圾邮件过滤器-附件资源

基于贝叶斯算法的爬虫方法，充分利用贝叶斯网的优势，实现爬虫