现在人工智能、大数据行业决定定位的核心因素是：企业本身掌握的数据量级，即
掌握的的相关数据量越大，算法作出的模型更加可靠。
判别分析
（discriminatry analysis ） 的任务是根据已掌握的一批分类明确的样本，建
立较好的判别函数，使产生错判的事例最少，进而对给定的一个新样品，判
断它来自哪个总体；
贝叶斯（BAYES）
每个人脑中都有一个贝叶斯
判别思想是根据先验概率求出后验概率，并依据后验概率分布作出统计推断。
所谓先验概率，就是用概率来描述人们对所研究的对象的认识的程度；
注：
所谓后验概率，就是根据具体资料、先验概率、特定的判别规则所计算出来的概
率，它是对先验概率修正后的结果。
8点10分起床迟到的概率是 –条件概率
费歇判别
思想（FISHER）是 投影（再做分类），使多维问题简化为一维问题来处理，选
择一个适当的投影轴，使所有的样品点都投影到这个轴上得到一个投影值。 对这
个投影轴的方向的要求是： 使每一类内的投影值所形成的类内离差尽可能小，而
不同类间的投影值所形成的类间差离尽可能大。 实际应用不多！！
朴素贝叶斯应用场景：
最基础： 朴素贝叶斯
常用于：
识别垃圾邮件；
根据先验概率求出 垃圾邮件包含发票的概率是80%，
个人是否患有心脏病；
明天是不是下雨；
8点10分起床迟到的概率是 –条件概率
P（B/A） = P(AB)/P(A) A发生的条件下B发生的概率
A 发票
B 垃圾邮件
P(A/B) 30% 根据已有数据求出的先验概率
P(B/A)
P(B/A)=P(AB)/P(A)
P(A) 10% 根据已有数据求出的先验概率
P(B) 20%
P(AB) 等于P(A/B)*P(B)
6%
求上述P(AB)时可以统计所有的样本再实际求，但是如此全部统计成本太大，也
就有了贝叶斯的意义；
全概率公式：
设整体B，细分为B1，B2，B3…..Bn;
P(A) = P(A|B1)(B1)+P(A|B2)(B2)+…+P(A|Bn)(Bn)
R中有个包-e1701 ，朴素贝叶斯分析的包
实例：通过一组案例来看看如何应用：
分析：90%的准备，最重要的是10%的输出（极大的可读性，传播性，易读性）
1、已知某个app的5个功能，用户增长团队分别统计了留存用户和流失用户使用各功能的比例，对其进行分析：
留存用户：23% 用户占比 流失用户：77% 用户占比
功能A 34.9% 功能A 28.6%
功能B 24.3% 功能B 20.0%
功能C 34.8% 功能C 32.5%
功能D 85.0% 功能D 85.1%
功能E 42.7% 功能E 33.4%
-
现在APP要做一个新用户承接页，哪个功能应该优先制定？
留存用户中 流失用户中 所有用户中 功能A 8.03% 22.02% 30.05% 功能B 5.59% 15.40% 20.99% 功能C 8.00% 25.03% 33.03% 功能D 19.55% 65.53% 85.08% 功能E 9.82% 25.72% 35.54% -
判断各功能使用后，对应的留存率
留存率 流失率 功能A 26.7% 73.3% 功能B 26.6% 73.4% 功能C 24.2% 75.8% 功能D 23.0% 77.0% 功能E 27.6% 72.4%
可见，功能E,功能A，功能B对用户的留存提升较有帮助；
例二、iris数据的例子
Library(e1071)
#加载e1071包，使用里面的函数进行朴素贝叶斯分析
s<- sample(1:nrow(iris),nrow(iris)*3/4)
#对数据集进行抽样（抽样坐标）
#sample随机抽样的过程， 抽取3/4行做训练集
train<- iris(s,) #生成训练集
test<-iris(-s,) #生成测试集
model<-naiveBayes(Species~.,data=train,laplace=3)
#构建朴素贝叶斯模型，laplace是打普拉斯平滑，一般取0-1，也可以取比较大
#注 ~. 表示所有的自变量
pre<-predict(model,test(,1:4) #做预测
table(pre,test(,5)) #查看混淆矩阵，判别情况不错
#table 类似数据透视表 功能