虽然这篇是一看就懂的教程，但是仍然建议你有一些先修知识：
- 具有基本的数学素养：微积分，线性代数，统计学
- 具有简单的编程基础：了解一点Git和Github的知识，简单的Python知识
如果不具备以上条件的话，可以从以下一些入手:
当然如果你想直接看这篇文章做一个大概的了解，或者想一边看一边查漏补缺，哪里不会再学习哪里，也是OK的
监督分类Supervised Classification
首先我们熟悉一个概念，什么是”监督分类“，比方说现在有一个问题”马是acerous吗？“（你不必知道什么是acerous）
鉴于你并不知道什么acerous，那么这里有一些例子给你参考：
acerous：猫、兔子、猪、鹦鹉、大象
non-acerous：长颈鹿、犀牛、山羊
那么你现在知道马是不是acerous了呢？答错也没有关系，毕竟这里只有8个例子而已，如果给你10000个例子，你一定可以非常确定的说出马是不是acerous。
答案是：马是acerous，这个分类的标准就是看有没有角。好的，到这里你应该有点get到什么是监督分类了，根据一些特征（features）来进行分类。类似的例子还有根据某人的音乐喜好以及其所爱音乐的特点，比如节奏或流派推荐一首他们可能会喜欢的歌，也是监督分类
而对于我们不知道的特征，比方说从一组照片中找到某个特定的人，我们并没有很明确的一些特征来识别这个人，或者说特征实在是太多了，因此就不是监督分类
散点图
通过监督分类，我们知道了当我们需要处理一个新的情况的时候，需要首先明确过往例子的一些特征
我们再来看一个非常简单的例子：无人驾驶（这能叫一个简单的例子？看起来很难懂啊）
虽然无人驾驶很复杂，但是我们简化为一辆车在一片沙漠上，没有人，没有建筑，路面情况简化到只有两个特征：1坡度（Slope）2路面颠簸程度（Bumpness）
很明显，图中红圈的平坦不颠簸的情况对应散点图的红×位置
散点图可以帮助我们直观的观察数据，机器学习很重要的一个问题就是：给你一个全新的数据，通过对以往的数据的认识，对这个全新的数据进行预测
决策面
这个概念也非常的简单，现在你拿到的是如图的一个数据集，黑色的点是属于蓝色那一堆呢？还是红色那一堆呢？
好像不是很清楚哦。如果我们有了一个决策面就会很方便了
还回到刚刚的无人驾驶例子，共有750个数据，蓝色的点代表可以快速行驶，红色的点需要慢速行驶 ：
特征 features：坡度（纵轴）、路面颠簸 （横轴）
标签 lables：快慢 （蓝色or红色的点）
这是它的决策面
Sklearn
Sklearn是一个非常有帮助的基于 Python 语言的机器学习工具。其中也包含我们本篇文章要介绍的朴素贝叶斯算法 Sklearn官方中文文档
朴素贝叶斯是一种非常简单的用于不同相互独立特征下的分类，之前我们讲到的决策面，或者说面对一个新的数据，如何进行分类都是用的朴素贝叶斯算法。
想要了解背后的公式原理可以看这篇博文 带你彻彻底底搞懂朴素贝叶斯公式，一点都不难的哦
由于我们要处理的是分类的问题，因此这里我们使用
来，我们打开这个页面，翻到页面的example，下图就是关键代码的含义
Quiz
1.有关地形数据的GaussianNB部署
最后让我们做一个小小的测验来检查对前面知识的理解，这个quiz还是我们之前提到的无人车的模型
不要被这么多的代码吓到了，你只需要把ClassifyNB.py中的代码补上就好了，其他三个文件都不要更改，如果运行成功就会出现下面的图片，形成一个决策面
给你一个小提示：朴素贝叶斯-高斯模型这里的example非常有用哦~
如果要查看答案
2.计算GaussianNB的准确性
如果你完成了上面的Quiz，还可以继续计算GaussianNB的准确性哦，看看用预测的结果与实际的结果有多少是一致的。
提示
1.features_test 和 labels_test 适用于测试的数据，可以先用features_test来进行预测，预测结果与labels_test进行对比
2.不妨用“sklearn accuracy”的关键词搜索一下，可以找到相关代码
评论