1. 数据挖掘贝叶斯算法概述
贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型，所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程，基于概率推理的贝叶斯网络(Bayesian network)是为了解决不定性和不完整性问题而提出的，它对于解决复杂设备不确定性和关联性引起的故障有很大的优势，在多个领域中获得广泛应用。
2. 数据挖掘朴素贝叶斯算法作业
朴素贝叶斯分类器是一种应用基于独立假设的贝叶斯定理的简单概率分类器。
之所以成为朴素，应该是Naive的直译，意思为简单，朴素，天真。
朴素贝叶斯分类是最常用的两大分类算法（决策树分类和朴素贝叶斯分类）。分类是将一个未知样本分到几个预先已知类的过程。
朴素贝叶斯分类是基于贝叶斯概率的思想，假设属性之间相互独立，例如A和B，则P（B|A）代表A发生的情况下，B发生的概率。
具体的情况可以参见 刘未鹏大牛写的《数学之美番外篇：平凡而又神奇的贝叶斯方法》
3. 数据挖掘朴素贝叶斯算法
常用的分类算法包括：决策树分类法，朴素的贝叶斯分类算法(native Bayesian classifier)、基于支持向量机(SVM)的分类器，神经网络法，k-最近邻法(k-nearest neighbor，kNN)，模糊分类法等等
1、决策树
决策树是一种用于对实例进行分类的树形结构。一种依托于策略抉择而建立起来的树。决策树由节点（node）和有向边（directed edge）组成。节点的类型有两种：内部节点和叶子节点。其中，内部节点表示一个特征或属性的测试条件（用于分开具有不同特性的记录），叶子节点表示一个分类。
一旦我们构造了一个决策树模型，以它为基础来进行分类将是非常容易的。具体做法是，从根节点开始，地实例的某一特征进行测试，根据测试结构将实例分配到其子节点（也就是选择适当的分支）；沿着该分支可能达到叶子节点或者到达另一个内部节点时，那么就使用新的测试条件递归执行下去，直到抵达一个叶子节点。当到达叶子节点时，我们便得到了最终的分类结果。
从数据产生决策树的机器学习技术叫做决策树学习, 通俗点说就是决策树，说白了，这是一种依托于分类、训练上的预测树，根据已知预测、归类未来
4. 贝叶斯算法分析
没错，0.2%是从个体单独出发得出的，没有考虑之前总结出来的经验，也就是先验概率（已知某城市成年居民患肺结核的概率是0.001） 而贝叶斯公式正式为了融入先验概率而设计的，隐含的意思是之前的经验和现在发生的事情是完全相关的
5. 数据挖掘贝叶斯分类
绿云采用高性能计算方案来为整个云计算平台提供源源不断的计算能力，运用Apache Spark计算引擎、分布式的数据存储系统，高效处理生物信息数据，同时基于聚类、SVM和贝叶斯分类器等算法对生物信息数据进行深度数据挖掘。
6. 数据挖掘贝叶斯算法概述图
贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。其中P(A|B)是在B发生的情况下A发生的可能性。
贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯(1702～1761)曾提出计算条件概率的公式用来解决如下一类问题：假设H[1],H[2]…,H[n]互斥且构成一个完全事件，已知它们的概率P(H[i]),i=1,2,…,n,现观察到某事件A与H[1],H[2]…,H[n]相伴随机出现，且已知条件概率P(A|H[i])，求P(H[i]|A)。