机器学习笔记2.5——朴素贝叶斯法

最新推荐文章于 2022-05-04 00:49:01 发布
最新推荐文章于 2022-05-04 00:49:01 发布
阅读量362 收藏 1
点赞数
分类专栏： 机器学习 文章标签： 机器学习
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/TSzero/article/details/119257382
版权

条件独立假设：用于分类的特征在类确定的条件下都是条件独立的。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

优点：

  • 对待预测样本进行预测，过程简单速度快(想想邮件分类的问题，预测就是分词后进行概率乘积，在log域直接做加法更快)
  • 对于多分类问题也同样很有效，复杂度也不会有大程度上升
  • 在分布独立这个假设成立的情况下，贝叶斯分类器效果奇好
  • 对小规模的数据表现很好
  • 对缺失数据不太敏感，算法也比较简单

缺点：

  • 朴素贝叶斯有分布独立的假设前提，而现实生活中这些predictor很难是完全独立的
  • 需要知道先验概率

机器学习面试题之朴素贝叶斯（九）

米法·
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习学习笔记——朴素贝叶斯
lyy0331的博客
05-06 161
朴素贝叶斯关键词贝叶斯公式朴素贝叶斯模型 关键词 分类算法； 生成方法->找出Y和X和联合分布P(X, Y)->P(Y|X)=P(X, Y)/P(X)得出 对应判别方法（决策树、KNN、逻辑回归、SVM等）->学习出Y=f(X) or P(Y|X) 先验概率+似然（数据）=后验概率，贝叶斯派假设先验概率分布的模型（正态分布、beta分布等） 贝叶斯公式 P(Yk∣X)=P(X∣Yk)P(Yk)∑kP(X∣Y=Yk)P(Yk). P(Y_k|X) = \frac{P(X|Y_k)P(Y_
【机器学习笔记】——朴素贝叶斯法（Naive Bayes）
孙悟充的博客
06-28 998
目 录 1 朴素贝叶斯法1.1 学习过程1.1.1 如何理解将后验概率最大的类作为 $x$ 的输出1.1.2 怎么求两个概率1.1.2.1 极大似然估计1.1.2.2 贝叶斯估计1.2 算法的优缺点1.2.1 优点1.2.2 缺点1.3 拓展1.3.1 多项分布朴素贝叶斯1.3.1.1 补充朴素贝叶斯1.3.2 高斯朴素贝叶斯1.3.3 伯努利朴素贝叶斯2 算法实现2.1 基于贝叶斯估计的pyt...
【机器学习】朴素贝叶斯
Preke的专栏
02-24 535
好的，回去看完了Andrew Ng的关于这一节的公开课，还有中文的课堂笔记 然后参照了一下《集体智慧编程》这本书，现在对这个算法有一个全面的理解了贝叶斯决策，基本上，从直观理解就是做了这样的事情： 给定历史的数据和类别，然后新来一个数据，计算新来的数据属于每个类别的概率，然后将新来的数据归为概率最大的那一类。贝叶斯定理： p(c|w)=p(w|c)p(c)p(w)p(c|w) = \fra
机器学习5-分类学习-朴素贝叶斯
低到尘埃，仰望星空
07-12 369
模型介绍 \quad 朴素贝叶斯分类器会单独考量每一维度特征被分类的条件概率，进而综合这些概率并对其所在的特征向量做出分类预测。因此，这个模型的基本数学假设是：各个维度上的特征被分类的条件概率之间是相互独立的。 \quad如果采用概率模型来表示，则定义x=<x1,x2,⋯,xn>x=<x1,x2,⋯,xn&amp
机器学习课后题2.5-1、2
Katelalala的博客
05-04 4018
2.5练习题的第1、2题 计算点（1,2,3）和点（3,4,8）的L1、L2、L距离 2、平面上有以下五个点：（1，2）、（2,4）、（1，-1）、（2,5）、（0，-3），用k-means算法对其进行簇数为2的聚类，初始簇中心为（0,0）、（5,5），给出经过1轮迭代和2轮迭代后的簇中心坐标。 ...
山东大学 机器学习 2.5 4题
zjw12355556466的博客
11-07 1084
先输入上机练习第一题前面所需要的数据。 再根据模式识别课本或老师PPT求出协方差矩阵和均值 （a）马氏距离公式PPT和课本上有 （b）分类根据模式识别课本第49道公式，每个点   的三个概率  都算一下，最大的那个就是了。 （c）与（b）题类似，就不重述了。...
机器学习实战 2.5机器学习算法的数据准备
weixin_45853381的博客
04-22 1310
回到一个干净的训练集（再次复制strat_train_set），然后将预测器和标签分开（因为不一定对它们使用相同的转换方式）。 # 获取删除标签列后的数据集 housing = strat_train_set.drop("median_house_value", axis=1) #drop()会创建一个数据副本，但不影响strat_train_set # 标签列 housing_labels = strat_train_set["median_house_value"].copy() 2.5.1 数据
机器学习笔记26——朴素贝叶斯法
weixin_45666566的博客
09-06 627
朴素贝叶斯前言1、概述2、原理3、算法4、朴素贝叶斯种类4.1高斯朴素贝叶斯(GaussianNB)4.2 多项式朴素贝叶斯(MultinomialNB)小结 前言 \quad \quad朴素贝叶斯算法是解决分类问题的监督学习算法，，如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立（条件特征独立）性和连续变量的正态性假设为前提，就会导致算法精度在某种程度上受影响。 1、概述 \q
【传统机器学习笔记】——朴素贝叶斯
qq_37992321的博客
04-11 626
明天再写
朴素贝叶斯学习笔记文档
08-03
机器学习入门。朴素贝叶斯学习过程中遇到的问题，记录下来，可以说是学习笔记，希望能给大家带来帮助。由于手写难免会有一些错误察觉不到，广泛讨论，共同进步。
朴素贝叶斯算法学习笔记2
03-23
朴素贝叶斯算法学习笔记2 朴素贝叶斯算法是一种经典的机器学习算法，它的应用范围非常广泛，涵盖了自然语言处理、信息检索、数据挖掘等多个领域。朴素贝叶斯算法的优点是简单、易于实现、计算效率高，且对数据的...
机器学习个人笔记完整版v5.51.docx
12-27
这门课程的笔记经过多次修订和完善，旨在为学习者提供一个全面、易懂的参考资料，帮助他们在机器学习的道路上不断进步。通过这门课程，学习者不仅可以掌握理论知识，还能获得解决实际问题的实用技巧，了解硅谷等创新...
常见的经典机器学习笔记
最新发布
07-21
【第5讲】 生成学习算法、高斯判别分析、朴素贝叶斯算法 【第6讲】 事件模型、函数间隔与几何间隔 【第7讲】 最优间隔分类器、拉格朗日对偶、支持向量机 【第8讲】 核方法、序列最小优化算法 【第9讲】 经验风险最小...
朴素贝叶斯算法学习笔记1
03-23
朴素贝叶斯算法学习笔记 一、朴素贝叶斯算法与分类问题 朴素贝叶斯算法是机器学习中的一种常用算法，它的基础是概率问题，分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的...
用python实现聚类分析
热门推荐
TSzero的博客
05-07 3万+
本文简单介绍如何用python里的库实现聚类分析
用python进行主成分分析（PCA）
TSzero的博客
05-10 1万+
一、简介  这篇文章简单介绍了PCA的原理、思想和一些定义，本文将介绍如何用python进行PCA。 二、实现 2.1 标准化数据  在对数据进行PCA前，需要先将数据进行中心标准化，即使特征的平均值为000，方差为111。 from sklearn.preprocessing import StandardScaler StandardScaler(*, copy=True, with_mean=True, with_std=True) 使用说明： 实例化：scaler = StandardScale
用python计算残差等
TSzero的博客
05-19 1万+
一、简介  这里简单介绍了回归诊断，本文简单介绍如何用python计算其中的值。 二、计算 import statsmodels.api as sm # 以波士顿房价为例 from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split X = load_boston()['data'] y = load_boston()['target'] # 加上全1列 X = sm.add_c
因果推断学习笔记三——Uplift模型
TSzero的博客
07-07 1万+
一、Uplift模型 因果推断在互联网界应用主要是基于Uplift model来预测额外收益提升ROI。Uplift模型帮助商家计算人群营销敏感度，驱动收益模拟预算和投放策略制定，促成营销推广效率的最大化。同时如何衡量和预测营销干预带来的“增量提升”，而不是把营销预算浪费在“本来就会转化”的那部分人身上，成为智能营销算法最重要的挑战。 举个例子????：对用户A和用户B都投放广告，投放广告后用户A的CVR（转化量/点击量）为5%，用户B的CVR为4%，那么是否就给用户A投广告呢？仅从投放广告后的结果来看是这

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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。

余额充值