小红是小明正在追求的女神。今天，小明好不容易把小红约出来逛街，逛着逛着，女神小红说口渴了，两人来到西瓜摊前，这时，小红抿嘴一笑，突然想考察一下小明的知识水平，说道：“小明你不是做机器学习的码农吗？如果要你用机器学习挑西瓜，你会怎么做？”

小明会心一笑，这不是撞我枪口上吗？看我的蒂花之秀～

是机器学习挑西瓜的基本思路是这样滴，先尽量观察西瓜的特征，从特征中找出和“好瓜”有关的特征，这样的特征非常多，让我们头脑风暴一波：

1. 直观特征：包括但不限于西瓜的颜色、根蒂的形状、瓜皮的纹理、敲击的声音等等～
2. 外部环境特征：是不是本地瓜，瓜的品种，上市时间等等～
3. 还可以有很多其他特征： 如瓜店老板的诚信度，这个西瓜的销售情况等等～

小明呱啦呱啦一顿说得正起劲，小红说：stop！你说这么多我头都大了，你怎么知道那些特征有用那些特征没用呢？

小明缓缓道来：哈，这个简单，可以用贝叶斯方法！

用贝叶斯方法进行特征分析：

我们先来规定一下符号，

表示是好瓜，相反

。

?表示二元特征，例如

，

，

。

那么当我们知道了一个习惯的这些特征，这个西瓜是”好瓜“的概率可以表示为如下公式：

再写出西瓜“不是好瓜”的概率：

将两个概率相除，得到：

这样

时便可以说明，”是好瓜“的概率比”不是好瓜“的概率大～但是实际上除法并不好，容易产生过小的数值，发生 underflow，所以我们两边同时取对数 log 函数，得到：

公式左边是西瓜“是好瓜”的逻辑发生比，又称作 logit，逻辑发生比大于 0 就说明是好瓜的概率较大。

接下来，我们假设所有特征之间是独立的，可以用条件独立假设：

将它们带入逻辑发生比公式：

我们发现等式右边变成了各个特征

的求和～特征的 值越大，说明这个特征对西瓜"是好瓜"的影响越大，相应的说明这个特征是一个显著特征。而值比较小的特征说明影响较小，不是一个很有效的特征，剔除掉也不会有很大的影响。

这样就能筛选出最重要的特征了～

小明娓娓道来，小红听得入了迷，暗自在心中给小明加了一分～