备课日期： 年 月 日
授课时间 课时（理论+实验） 周次 星期: 节次:
授课课题 朴素贝叶斯
教学目标
1.理解朴素贝叶斯基本原理。
2.掌握朴素贝叶斯数学推导过程。
3. 掌握朴素贝叶斯算法的 Scikit-learn 库使用方法。
教学重点 1.贝叶斯公式；2.朴素的含义。
教学准备 PPT、点名册等。
教学方法 指导阅读、案例法。
教学过程设计 备注
课题引入
已知学生作息与成绩关系数据，如何预测学生的成绩？（如“出勤=早、
休息=晚”的学生成绩的好坏？）
〖PPT〖展示数据与问题。
▲如何将该问题用数学形式表达？
【时间】 分钟。
【主板书】§. 朴素贝叶斯
一、基本原理
【主板书】基本原理
1.数据建模：设 X 为成绩，A 为出勤，B 为休息，此问题即为求概率
P1=P（X=好|A=早，B=晚）与 P2=P（X=坏|A=早，B=晚）。
2.利用贝叶斯公式求解概率 P1 与 P2。
【副板书】贝叶斯公式（各部分的含义）
〖PPT〖求解过程。
【强化与拓展】
（1）概率、比较 P1 与 P2 的大小。
（2）统计方法：如果特征维度较大或者每个特征取值较多时，通过列
表统计估计每项概率的方式其实是不可行的！
例 1：假设特征向量包含 4 个特征，每个特征有 10 个特征值，则
这 4 个特征的联合概率分布是 4 维的，可能的情况就有 10000 种。
3.朴素贝叶斯
（1）含义：贝叶斯定理与特征条件独立假设。
（2）数学形式及求解。
【强化与拓展】类条件概率、先验概率、后验概率。
（3）实例讲解。
〖PPT〖朴素贝叶斯数学形式与求解过程。
【时间】 分钟。
【提问】 。
教学步骤
及主要内
容
二、Scikit-learn 库的使用
【主板书】Scikit-learn 库的使用
1.朴素贝叶斯库类别：根据先验概率分类。
【时间】 分钟。
【提问】 。
2.库引入（以 GaussianNB 为例）。
from _bayes import GaussianNB
3.模型构建。
nb = GaussianNB()
4.常用方法。
• (x,y)：根据样本 x 与类别标识 y 对数据进行拟合。
• nb. predict(x)：输出测试集 x 的预测类别。
• nb. predict_proba(x)：输出测试集 x 在各个类别上预测概率。
5.数据构造与具体应用。
〖PPT〖数据构造与具体应用过程。
课堂练习
其他 无
小结与作业
课堂小结
朴素贝叶斯是一种基于概率理论的分类算法，虽然其所依赖的特征之
间条件独立性假设在有些情况下并不符合实际（即“朴素”的由来），但
因为原理和实现都比较简单，学习和预测的效率也都很高，所以在很
多领域很有用（如垃圾邮件过滤）。
本课作业
本课教学反思（课堂设计理念，实际教学效果及改进设想）
