朴素贝叶斯分类器

朴素贝叶斯分类器认为样本的每个特征都是独立的

分类问题：混淆矩阵、F1、ROC和AUC

多分类问题的混淆矩阵：

对于根据老鼠体重来判断老鼠是否肥胖的二分类障碍，使用罗辑回归的方式，并将阈值设置为0.5，高于这个阈值就认为老鼠肥胖

根据这个模型，能够得到分类的正确和错误情况：

通过设置不同的阈值，能够得到不同的分类结果和混淆矩阵

ROC曲线 （Receiver Operator Characteristic）

https://www.bilibili.com/video/BV1CT4114799/?spm_id_from=333.337.search-card.all.click&vd_source=132c74f7a893f6ef64b723d9600c40b7https://www.bilibili.com/video/BV1CT4114799/?spm_id_from=333.337.search-card.all.click&vd_source=132c74f7a893f6ef64b723d9600c40b7

真阳性率（灵敏度）：

特异度

ROC曲线中，越接近左上角，模型的效果越好

AUC （Area Under the Curve）

AUC越大的模型效果越好

各种分布的意义：

泊松分布：描述单位时间/空间内某事件的发生次数

指数分布：连续时间下首次事件发生时间（连续）

二项分布：固定次数试验中成功次数

几何分布：首次成功的试验次数 （离散）

指数分布和几何分布的区别：