文章原创,最近更新：2018-08-25
1.关于本书
2.关于作者
3.内容简介
4.主要内容
引言:网上找资料觉得这本书挺通俗易懂的,刚好可以跟《机器学习实战》相关章节结合一起学习。
1.关于本书
写给程序员的数据挖掘实践指南:豆瓣评分:7.4分
作者: [美] Ron Zacharski
出版社: 人民邮电出版社
原作名: A Programmer's Guide to Data Mining
译者: 王斌
出版年: 2015-10-24
2.关于作者
Ron Zacharski是一名软件开发工程师，曾在威斯康辛大学获美术学士学位，之后还在明尼苏达大学获得了计算机科学博士学位。博士后期间，他在爱丁堡大学研究语言学。正是基于广博的学识，他不仅在新墨西哥州立大学的计算研究实验室工作，期间还接触过自然语言处理相关的项目，而该实验室曾被《连线》杂志评为机器翻译研究领域翘楚。除此之外，他还曾教授计算机科学、语言学、音乐等课程，是一名博学多才的科技达人。
3.内容简介
本书是写给程序员的一本数据挖掘指南，可以帮助读者动手实践数据挖掘、集体智慧并构建推荐系统。全书共8章，介绍了数据挖掘的基本知识和理论、协同过滤、内容过滤及分类、算法评估、朴素贝叶斯、非结构化文本分类以及聚类等内容。本书采用“在实践中学习”的方式，用生动的图示、大量的表格、简明的公式、实用的Python代码示例，阐释数据挖掘的知识和技能。每章还给出了习题和练习，帮助读者巩固所学的知识。
4.主要内容
4.1贝叶斯方法与k近邻方法的优缺点
利用近邻算法，很难量化分类的置信度。而基于概率的分类算法——贝叶斯算法却不仅能够分类而且能够给出分类的概率，比如这个运动员有80%的概率是一名篮球运动员，这个病人接下来的5年内有40%的概率会得糖尿病，未来24小时Las Cruces下雨的概率为10%，等等。
近邻方法被称为惰性学习器（lazy learner）。之所以这样叫是因为当给出训练数据集时，这些分类器只是将它们保存或者说记录下来。每次对实例进行分类时，这些分类器都会遍历整个训练数据集。如果训练数据包含100000首歌曲的话，这些分类器会在每次对实例分类时都遍历所有100000首歌曲。
-
贝叶斯方法称为勤快学习器（eager learner）。给定训练集时，这些分类器会立即分析数据并构建模型。当要对某个实例进行分类时，它会使用训练得到的内部模型。勤快学习器的分类速度往往比惰性分类器的分类速度更快。
- 贝叶斯方法能够进行概率分类，并且是勤快学习器，这两点是贝叶斯方法的优点
4.2贝叶斯方法的理解
朴素贝叶斯的具体公式如下：
概率记为P(A|B)，即给定某些数据B条件下假设A的概率。例如：P(女|进入Frank Lloyd Wright学院)=0.86
上述概率读成“给定为Frank Lloyd Wright学院学生的条件下该学生为女性的概率是0.86”。
案例1
下边表格中我列出了一些人及其他们的笔记本电脑和手机的类型：
问题:
从该表格中随机选择一个人使用iPhone的概率是多少
在总共10个用户中有5个用户使用iPhone，因此有：
随机选择的一个使用Mac笔记本电脑的人使用iPhone的概率是多少？
- 首先，有4个人同时使用Mac和iPhone，于是：
- 而随机选择一个人使用Mac的概率为：
- 因此，在给定使用Mac的情况下使用iPhone的概率为：
这就是后验概率的形式化定义。有时在具体实现时，可以只使用原始的计数值进行计算：
习题练习:
拥有iPone的人拥有mac的概率,即P(mac|iPhone)是多少？
相关术语
- P(h)即某个假设h为真的概率称为h的先验概率（prior probability）。
在有任何证据之前，一个人拥有Mac的概率是0.6（这里的证据可能是知道这个人也有一部iPhone）。 - P(h|d)称为h的后验概率（posterior probability），即观察到数据d之后h的概率。
例如，在观察到某个人拥有iPhone之后，这个人拥有Mac的概率是多少？该概率也称为条件概率（conditional probability）。
案例2
假设购物车软件想确定是否要向你显示一个日本绿茶的定向广告，而它只会在你想买茶时将该广告推送给你。
购物车系统从其他购物者身上积累了一个小规模的数据集（如下所示）。
P(D)为观察到某训练数据的概率。例如，我们知道邮政编码为88005的概率为5/10或者说0.5。
P(D|h)为给定假设条件下得到某个数据值的概率。例如，当知道用户购买绿茶条件下邮政编码为88005的概率，即P(88005 | 绿茶)。
习题练习1:
用户不购买绿茶的情况下邮政编码为88005的概率是多少？
没有购买绿茶的实例数目为5，其中2人居住地的邮政编码为88005，于是有：
习题练习2:
在不知道其他信息的条件下，某个人的邮政编码为88001的概率是多少？
数据库中有10条记录，其中只有3条记录的邮政编码为88001，因此P(88001)=0.3。
习题练习3:
如果知道某个人购买了绿茶，那么他居住的地方邮政编码为88001的概率是多少？
购买绿茶的记录数目为5，其中只有1条记录的邮政编码为88001，因此
习题练习4:
如果知道某个人没有购买绿茶，那么他居住的地方邮政编码为88001的概率是多少？
有5条记录没有购买绿茶，其中2条的邮政编码为88001，因此
4.4贝叶斯定理
贝叶斯定理（Bayes Theorem）刻画了P(h)、P(h|D)、P(D)和P(D|h)之间的关系：
贝叶斯定理是所有贝叶斯方法的基础。在数据挖掘当中我们常常使用该定律在多个可能的选择中做出决策：
- 在给定证据的情况下，判定一个人从事的运动到底是体操、马拉松还是篮球；
- 在给定证据的情况下，判断顾客是否会购买绿茶。为在多个选择中进行决策，我们计算每种假设的概率。
在智能购物车系统中，只有认为顾客可能购买绿茶时才会将绿茶的广告显示给用户。我们知道顾客居住地的邮政编码为88005。
有两个假设需要进行对比：
- 该顾客会购买绿茶，计算P（购买绿茶|88005）；
- 该顾客不会购买绿茶，计算P（非购买绿茶|88005）。
我们会从上述假设中选择概率最高的那个！
因此，如果在P(购买绿茶 | 88005)=0.6且P(非购买绿茶 | 88005)=0.4的情况下，该顾客更有可能购买绿茶，因此我们将广告展示给他。
在分类任务中有多个可能的假设：h1，h2，…，hn。这些假设是我们任务中的多个类别（比如，篮球运动员、马拉松运动员、体操运动员，或者会得糖尿病、不会得糖尿病）。
一旦计算出所有的概率，我们会选择其中概率最大的那条假设。该假设称为最大后验假设（the maximum a posteriori hypothesis）或记为
可以将上述计算最大后验概率的描述转换为如下公式：
其中，H是所有假设的集合。因此，h∈H意味着“对H中的每条假设”。整个公式意味着“对假设集合中的每条假设计算P(h|D)并从中选出概率最大的那条假设”。利用贝叶斯定律可以将上述公式转
你可能会注意到，对于所有的假设而言，分母中的P(D)都是相等的。因此，它们与假设是相互独立的。如果某条特定的假设在上述公式下具有最高的概率，那么再将它除以P(D)仍然最大。如果我们的目标是计算具有最大概率假设的话，就可以对上述计算过程进行简化，从而计算：
案例1
考虑在某个医疗领域中想确定病人是否患有某种特定的癌症，可以进行一个简单的血液测试（或者说血检）来帮助决策。该测试是一个二值测试，其返回的结果为POS（阳性）或NEG（阴性）。当患者患有该病时，测试返回正确的阳性的概率为98%；当患者未患此病时，测试返回正确的阴性的概率为97%。
我们的假设为：
- 病人患有该癌症
- 病人未患该癌症
练习1:
假设Ann去看医生，她进行了血液测试来检查是否患癌症，测试结果为阳性。
这看起来对Ann来说并不乐观，因为毕竟测试的精确率为98%（特别地，如果患病返回阳性的可能性为98%）。
请使用贝叶斯定理确定Ann得病还是没得病的可能性大。
已知条件如下:
下面寻找如下最大后验概率：
我们选择将病人分到未得病这一类中。
如果想知道精确的概率值的话，可以将这些值进行归一化以便所有概率的和为1：
于是，Ann有21%的患病概率。
