1 请写出贝叶斯公式，请描述朴素贝叶斯分类方法的原理和步骤。

• 贝叶斯公式

朴素贝叶斯假设：
	-特征之间相互独立（统计意义上，一个特征出现的可能性与其他特征没有关系，朴素的意义）
	-各特征同等重要

P(Ci): 先验概率      P(Ci|**x**): 后验概率

• 素贝叶斯分类方法原理

  依据给定的资料，统计各个特征在相应类别下的概率，通过比较相应类别的概率大小来实现分类。

• 朴素贝叶斯分类步骤

  ⑴收集数据：可以使用任何方法。
  (2)准备数据：需要数值型或者布尔型数据。
  (3)分析数据：有大量特征时，绘制特征作用不大，此时使用直方图效果更好。
  (4)训练算法：计算不同的独立特征的条件概率。
  (5)测试算法：计算错误率。
  (6)使用算法：可以应用于文档分类等场景。

2 人工智能和机器学习的区别？

• 个人观点：
  人工智能是让机器拥有智慧，通过学习获得感知、推理等能力。可以在复杂环境中自主的适应并解决问题。而机器学习是人工智能的一部分，它可以提供给机器各种各样的学习方法使其实现智能。是人工智能实现的基础，好像是一个构建机器大脑的工程。

3 什么是机器学习的过度拟合现象，以及过拟合产生的原因和解决方案

• 过拟合现象：

  模型在训练数据上表现很好，但推广效果不好，不能很好地预测。

• 过拟合产生原因：

  相对于训练数据的 量和噪声，模型过于复杂，对训练数据进行了过度学习。

• 解决：

  简化模型，正则化（选择参数更少的模型、减少训练数据的属性数、限制一下模型）；
  收集更多的训练数据；
  减小训练数据的噪声（修改数据错误或去除异常值）。

4什么是机器学习的欠拟合现象，以及欠拟合产生的原因和解决方案

• 欠拟合现象
  模型不能很好地对训练数据进行拟合，预测也很难准确。

• 欠拟合产生原因
  相对于训练数据的量和噪声，模型过于简单

• 解决
  选择一个更复杂的模型，带有更多的参数；
  用更好的特征训练学习算法（特征工程）；
  减小对模型的限制，比如减小正则化超参数。