2017.07.17——机器学习——朴素贝叶斯

     今天应该是把朴素贝叶斯算法层面上的东西全部理解了，朴素贝叶斯总的来说是比较简单的机器学习模型，是生成模型，而不是判别模型，是在假定y的条件下看x的生成情况。朴素贝叶斯两个朴素的但不一定正确的假设，条件概率，到贝叶斯公式，再推广到朴素贝叶斯的公式，利用朴素的假设简化模型，类别的参数估计总是用MLE或者MAP估计（平滑），对于给定y之后的x，如果假设x服从高斯分布，利用最大似然估计去估计均值和方差，得到给定y后x的概率，这个就是高斯朴素贝叶斯；如果假设x服从多项式分布，进行参数估计，阿尔法为1，拉普拉斯平滑，MAP，阿尔法为0，无平滑，MLE，再有平滑是，也可以起到防止过拟合作用，也可以防止某个概率为0，这个就是多项式朴素贝叶斯；还有就是伯努利朴素贝叶斯，这个计算各个概率值的时候和多项朴素贝叶斯是一致的，适用于数据稀疏，且只取两个值的时候。基本上是总结到位了，明天需要在看看朴素贝叶斯的应用实例场景。

 

 

参考：

朴素贝叶斯算法原理小结

朴素贝叶斯常用的三个模型

贝叶斯朴素分类器

朴素贝叶斯理论与常见三个模型的推导

NLP系列(2)_用朴素贝叶斯进行文本分类(上)

 NLP系列(3)_用朴素贝叶斯进行文本分类(下)

转载于:https://www.cnblogs.com/aaronsw/p/7197888.html