机器学习笔记2.5——朴素贝叶斯法

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)

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

“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

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