贝叶斯算法数学原理
贝叶斯算法背景
贝叶斯算法推导
推导方法1
推导方法2
根据条件概率公式:
①P(A|B) = P(AB)/P(B) ----> P(AB) = P(A|B)·P(B)
②P(B|A) = P(AB)/P(A)) ----> P(AB) =P(B|A)·P(A)
贝叶斯定理应用实例
例1
例2
代码实战
贝叶斯算法API参数(以朴素贝叶斯为例)
class sklearn.naive_bayes.MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None)
参数:
- MultinomialNB:多项式分布的朴素贝叶斯。
2.alpha: 控制模型拟合时的平滑度.
3.fit_prior: 是否去学习类的先验概率 - class_prior: 各个类别的先验概率,如果没有指定,则模型会根据数据自动学习, 每个类别的先验概率相同,等于类标记总个数N分之一。
属性:
1.class_log_prior_:每个类别平滑后的先验概率