題記：
近來關於資料探勘學習過程中，學習到樸素貝葉斯運算roc曲線。也是本節實驗課題，roc曲線的計算原理以及如果統計tp、fp、tn、fn、tpr、fpr、roc面積等等。往往運用roc面積評估模型準確率，一般認為越接近0.5，模型準確率越低，最好狀態接近1，完全正確的模型面積為1.下面進行展開介紹：
roc曲線的面積計算原理
一、樸素貝葉斯法的工作過程框架圖
二、利用weka工具，找到訓練的預處理資料
1、利用樸素貝葉斯演算法對weather.nominal.arff檔案進行處理，然後選擇temperature開啟，選擇編輯找到預處理資料如圖1-1所示：
圖1-1 完整天氣資料資訊圖
2、根據上面的訓練元組計算每個類的先驗概率，公式為p(c)
2.1、計算先驗概率
p(play=yes)=9/14=0.643
p(play=no)=5/14=0.357
2.2、 計算條件概率，根據公式p(x|c)
3、再根據公式（展示其中乙個元組進行概率分類
x= (outlook=sunny,temperature=mid,humidity=yes,windy=sunny)）
代入上述資料：
3.1、
p(x|paly=yes)=p(outlook=sunny|play=yes)* p(temperature=mid|play=yes)* p(humidity=yes|play=yes)* p (outlook=sunny|play=yes)）
同理計算：p(x|paly=no)
3.2、通過結果比較，得出元組play
3.3、然後進行概率的計算
4、再引用《資料探勘概念與技術》中p244頁方法，如圖1-2所示：
圖1-2 返回資料樣例
如上圖為樣例非真實資料：因為根據3.3可以計算每個元組的概率，利用概率大小進行類的排序。再根據先驗概率進行tp、fp、tn、fn的真實資料，並且不難算出tpr和fpr的資料
5、再引用《資料探勘概念與技術》中p245頁知識，以fpr作為x軸，tpr作為y軸，繪製資料的roc曲線，將4中的資料分別代入進去，得到如圖1-3所示：
圖1-3 返回資料圖
根據以上圖形，利用數學方法得到roc曲線面積為0.9222.然後再利用weka檢視工具資料，如圖1-4所示：
圖1-4 weka返回資料
資料探勘之樸素貝葉斯演算法
樸素貝葉斯演算法思想 舉個例子，假如某天是否要出去打網球，有兩種選擇 是和否，即最後分成兩個類別。但是受3個因素的影響,分別是天氣 溫度和是否有風。天氣有3個值 晴 多雲和有雨。溫度有3個值 高，正常和低。是否有風有兩個值 是和否。假如樣本a是，樣本b是，還有其他的樣本，可以得到樣本的某些先驗概率，...
樸素貝葉斯演算法
首先樸素貝葉斯分類演算法利用貝葉斯定理來 乙個未知類別的樣本屬於各個類別的可能性，選擇可能性最大的乙個類別作為該樣本的最終類別。對於計算而言，需要記住乙個公式。p c x p x c p c p x 類似於概率論條件概率公式。其中x代表含義為最終類別，例如 yes?no。c為屬性。使用樸素貝葉斯演算...
樸素貝葉斯演算法
計算貝葉斯定理中每乙個組成部分的概率，我們必須構造乙個頻率表 因此，如果電子郵件含有單詞viagra，那麼該電子郵件是垃圾郵件的概率為80 所以，任何含有單詞viagra的訊息都需要被過濾掉。當有額外更多的特徵時,此概念的使用 利用貝葉斯公式,我們可得到如下概率 分母可以先忽略它，垃圾郵件的總似然為...