朴素贝叶斯法及其R实现

最新推荐文章于 2024-08-14 17:14:53 发布

littlely_ll

最新推荐文章于 2024-08-14 17:14:53 发布

阅读量6.1k

点赞数

分类专栏：机器学习文章标签：朴素贝叶斯法 R语言极大似然估计贝叶斯估计

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/littlely_ll/article/details/53738124

版权

本文详细介绍了朴素贝叶斯分类法的基本原理，包括后验概率最大化的概念，以及极大似然估计和贝叶斯估计的参数估计方法。接着探讨了朴素贝叶斯算法的优缺点，并通过R语言展示了如何实现朴素贝叶斯分类器，包括使用naiveBayes()函数进行训练和预测。

摘要由CSDN通过智能技术生成

1. 朴素贝叶斯基本方法

1.1 贝叶斯分类法基本公式：

P (Y = c k | X = x) = P ( Y = c k ) Π j P ( X ( j ) = x ( j ) | Y = c k ) \sum k ( P ( Y = c k ) Π j P ( X j = x j | Y = c k ) ), k = 1, 2, \dots, K

$P(Y=c_k|X=x)=\frac{P(Y=c_k)\Pi_jP(X^{(j)}=x^{(j)}|Y=c_k)}{\sum_k(P(Y=c_k)\Pi_jP(X^{j}=x^{j}|Y=c_k))},\\k=1,2,\cdots,K$
朴素贝叶斯分类器可以表示为

y = f (x) = a r g m a x c k P ( Y = c k ) Π j P ( X ( j ) = x ( j ) | Y = c k ) \sum k ( P ( Y = c k ) Π j P ( X j = x j | Y = c k ) )

$y=f(x)=arg \quad max_{c_k}\frac{P(Y=c_k)\Pi_jP(X^{(j)}=x^{(j)}|Y=c_k)}{\sum_k(P(Y=c_k)\Pi_jP(X^{j}=x^{j}|Y=c_k))}$
上式中，分母对所有的

ck $c_k$ 都相同，所以

y = a r g m a x c k P (Y = c k) Π

最低0.47元/天解锁文章

关注

0
点赞
踩
26

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。