机器学习算法中的朴素贝叶斯（三）：原理简析

机器学习领域中的核心算法之一——‘朴素贝叶斯’系列文章中起始篇：从基础概念到实际应用案例——鸢尾花分类问题的实践指南（附Python代码及详尽解析）。
深入探讨‘朴素贝叶斯’的第二部分：通过模拟离散数据集展示其基本原理与应用方法——从理论到实践的结合。（附Python代码及详尽解析）。
随后的文章将在此基础上展开讨论

step 1：结果分析，详解alpha=1的含义

alpha=1这个参数表示什么？

我们知道贝叶斯法一定要计算两个概率：条件概率： 𝑃(𝑋(𝑖)=𝑥(𝑖)|𝑌=𝑐𝑘) 和类目 𝑐𝑘 的先验概率： 𝑃(𝑌=𝑐𝑘) 。

对于离散特征：

我们发现就是在每个变量上都增加了频率α。当αλ=0时，则等同于最大似然估计。通常取α=1时就被称为拉普拉斯平滑（Laplace smoothing），这