基础算法--贝叶斯算法

本文深入探讨了贝叶斯算法的数学原理,包括条件概率和贝叶斯定理,并通过实例解析其应用。同时,文章还详细介绍了在机器学习中朴素贝叶斯算法的使用,如sklearn库中的MultinomialNB类,涵盖关键参数如alpha、fit_prior和class_prior的解释,以及模型中的属性如class_log_prior_和feature_log_prob_。
摘要由CSDN通过智能技术生成

贝叶斯算法数学原理

贝叶斯算法背景

在这里插入图片描述

贝叶斯算法推导

在这里插入图片描述

在这里插入图片描述

推导方法1

在这里插入图片描述
在这里插入图片描述

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)
在这里插入图片描述

贝叶斯定理应用实例

例1

在这里插入图片描述

例2

在这里插入图片描述

在这里插入图片描述

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:

  1. 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
  2. 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

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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