朴素贝叶斯笔记

最新推荐文章于 2022-03-21 17:32:19 发布

DaMeng999

最新推荐文章于 2022-03-21 17:32:19 发布

阅读量200

点赞数

分类专栏：机器学习文章标签：分类数据挖掘人工智能

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/DaMeng999/article/details/121019974

版权

目录

2. 参数估计

2.1 极大似然估计

2.2 算法流程

2.3 贝叶斯估计

朴素贝叶斯时基于贝叶斯定理与特征条件独立假设的分类方法。对给定的训练集，首先基于特征条件独立假设学习输入输出的联合概率分布；然后基于此模型对给定的输入 x 利用贝叶斯定理求出后验概率最大的输出 y。

1. 原理

假定输入空间是 n 维的向量集合，输出空间为类标记集合 $y=\left \{ c_1,c_2,...,c_K \right \}$ 。X 是定义在输入空间上的随机向量，Y 是定义在输出空间上的随机变量。P(X, Y) 是 X 和 Y 的联合概率分布，训练数据集

$T = \left \{ (x_1, y_1),...,(x_N, y_N) \right \}$

由 P(X, Y) 独立同分布产生。

朴素贝叶斯通过训练数据集学习联合概率分布 P(X, Y) 。首先学习

先验概率分布：

$P(Y=c_k), \,\, k=1,2,..., K$

条件概率分布：

$P(X=x|Y=c_k)=P(X^{(1)}=x^{(1)},...,X^{(n)}=x^{(n)}|Y=c_k),\,k=1,2,...,K$

由于条件概率分布有指数级的参数，朴素贝

最低0.47元/天解锁文章

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。