《机器学习实战》读书笔记5:朴素贝叶斯分类器的原理

贝叶斯定理

我们知道:

P(AB)=P(A|B)×P(B)=P(B|A)×P(A)

所以有:
P(A|B)=P(B|A)×P(A)P(B)

这就是贝叶斯定理。


贝叶斯分类器的原理

假如我们要为一个疾病诊断系统构建一个贝叶斯分类器。首先,我们有如下训练集:

职业症状疾病
矿工咳嗽肺炎
矿工头痛感冒
护士咳嗽肺结核
护士头痛肺炎
矿工咽痛肺炎
护士咽痛感冒


下面来了一个咽痛护士,我们要确定她患了什么疾病,这里就要用到贝叶斯定理。
该护士感冒的概率为:

P(|,)=P(,|)×P()P(,)=P(|)×P(|)×P()P()×P()=0.5×0.5×0.330.33×0.5=0.5

同理,该护士 肺炎的概率为:
P(|,)=P(,|)×P()P(,)=P(|)×P(|)×P()P()×P()=0.33×0.33×0.50.33×0.5=0.33

该护士 肺结核的概率为:
P(|,)=P(,|)×P()P(,)=P(|)×P(|)×P()P()×P()=1×0×1/60.33×0.5=0

所以,由上可知, 咽痛的护士,最可能是 感冒了。虽然上面的例子是瞎掰的,训练集数量太少,但是也能说明贝叶斯分类器的工作原理,即 可能性最大的那个分类就作为输入特征向量的分类


朴素贝叶斯

朴素(naive)贝叶斯有两个假设:

  • 各个特征之间是相互独立的,即一个特征出现与否,不影响另一个特征是否出现。例如自然语言中 “ I am a student. ”,I 的出现肯定会影响 am 的出现,即主语的出现肯定会影响谓语的出现。但是朴素贝叶斯假设它们之间都没有联系,即在统计意义上是独立的。
  • 各个特征同等重要,其实这个假设也有问题,在文档分类中,很多情况下,某些词比其他词更加重要。

虽然上面两个假设都不太符合实际,但是在实际情况中朴素贝叶斯分类器的效果却还是非常不错的,而且这两个假设使得程序代码逻辑清晰且简单。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值