轻松搞定朴素贝叶斯(有例题)

最新推荐文章于 2024-10-20 19:57:47 发布
最新推荐文章于 2024-10-20 19:57:47 发布
阅读量7.1k 收藏 57
点赞数 14
文章标签： 人工智能 机器学习 概率论
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/doge_coding/article/details/130307202
版权

首先我们应该先弄清楚朴素贝叶斯是用来干什么的：

我们收集了大量不同质量苹果的大小、颜色、形状这三个苹果的特征信息后，如果这时又来了一个新的苹果，朴素贝叶斯就可以通过这个苹果的大小、颜色、形状判断这个苹果的质量

接下来我们会讲解公式，但是在讲解公式之前，为了大家便于理解，我们先说一下各个变量是什么：

Y就是苹果的质量

X就是苹果的大小、颜色、形状这三个特征组成的向量；x1就代表苹果的大小，x2代表苹果的颜色，x3代表苹果的形状

朴素贝叶斯可以让我们通过一个苹果的特征向量，判断这个苹果的质量是怎么样的,即在已知苹果的大小、颜色、形状是怎么样的情况下求出这个苹果的质量，也就是P(Y|X)

下面我们结合实例理解朴素贝叶斯公式：

我们收集了10个不同质量苹果的特征信息：

：

 朴素贝叶斯公式：

最低0.47元/天 解锁文章
朴素贝叶斯算法例子
ianlyianly的专栏
11-26 1万+
一、病人分类的例子 让我从一个例子开始讲起，你会看到贝叶斯分类器很好懂，一点都不难。 某个医院早上收了六个门诊病人，如下表。 　　症状　　职业　　　疾病 　　打喷嚏　护士　　　感冒  　　打喷嚏　农夫　　　过敏  　　头痛　　建筑工人　脑震荡  　　头痛　　建筑工人　感冒  　　打喷嚏　教师　　　感冒  　　头痛　　教师　　　脑震荡 现在又来了第七个
朴素贝叶斯算法例题
不仅仅代码
12-01 4441
朴素贝叶斯算法例题
朴素贝叶斯分类算法简单实例
signal___的博客
08-18 1万+
贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。这篇文章我尽可能用直白的话语总结一下我们学习会上讲到的朴素贝叶斯分类算法，希望有利于他人理解。 1 分类问题综述 对于分类问题，其实谁都不会陌生，日常生活中我们每天都进行着分类过程。例如，当你看到一个人，你的脑子下意识判断他是学生还是社会上的人；你可能经常会走在路上对身旁的朋友说“这个人一看就很有钱”之类的话，其实这就是一种分类操作。 ..
将csv或者Excel文件导入到hive
Smallcaff的博客
03-21 2988
1. 将csv或Excel文件转换为文本，以逗号或者制表符都可以: xigua.txt id,color,root,stroke,venation,umbilical,touch,status 1,青绿,蜷缩,浊响,清晰,凹陷,硬滑,是 2,乌黑,蜷缩,沉闷,清晰,凹陷,硬滑,是 3,乌黑,蜷缩,浊响,清晰,凹陷,硬滑,是 4,青绿,蜷缩,沉闷,清晰,凹陷,硬滑,是 5,浅白,蜷缩,浊响,清...
朴素贝叶斯(Bayes)算法例题
m0_46400910的博客
12-10 7625
朴素贝叶斯(Bayes)算法例题
朴素贝叶斯算法（带例题解释）
热门推荐
GreenYang5277的博客
02-23 5万+
朴素贝叶斯算法（Naive Bayesian algorithm) 是应用最为广泛的分类算法之一，在垃圾邮件分类等场景展露出了非常优秀的性能。 朴素贝叶斯公式来历 朴素贝叶斯，名字中的朴素二字就代表着该算法对概率事件做了很大的简化，简化内容就是各个要素之间是相互独立的。 比如今天刮风和气温低，两个要素导致了不下雨的结果。实际上刮风可能导致气温低，而且刮风对于天晴的影响会更大，朴素贝叶斯认为刮风和气...
机器学习：朴素贝叶斯算法学习及案例实现
m0_58475958的博客
08-07 4372
1 概率 样本数 职业 体型 是否喜欢 1 程序员 超重 不喜欢 2 产品 匀称 喜欢 3 程序员 匀称 喜欢 4 程序员 超重 喜欢 5 美工 匀称 不喜欢 6 美工 超重 不喜欢 7 产品 匀称 喜欢 1.1 条件概率   表示事件A在另外一个事件B已经发生条件下的发生概率，即P(A|B) 在女神喜欢的条件下，职业是程序员的概率是： 女神喜欢条件下，有2，3，4，7共4个样本 4个样本中，有程序员3，4共2个样本 则P(程序员|喜欢) = 2/4=0.5
七、朴素贝叶斯算法
记录学习笔记
10-20 1689
我们介绍一种用于分类的算法：朴素贝叶斯算法
朴素贝叶斯西瓜数据集
12-01
朴素贝叶斯相关西瓜数据集，用于自然语言处理>01.朴素贝叶斯介绍 中的案例数据，该数据集仅作参考使用
【机器学习实战】第4章 朴素贝叶斯（Naive Bayes）
weixin_34257076的博客
09-03 486
第4章 基于概率论的分类方法：朴素贝叶斯 朴素贝叶斯 概述 贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本章首先介绍贝叶斯分类算法的基础——贝叶斯定理。最后，我们通过实例来讨论贝叶斯分类的中最简单的一种: 朴素贝叶斯分类。 贝叶斯理论 & 条件概率 贝叶斯理论 我们现在有一个数据集，它由两类数据组成，数据分布如下图所示： 我们现在用...
朴素贝叶斯例题记录
haharen110的博客
03-14 1万+
先举个例子（摘自统计学习方法）：                                                           极大似然估计求解： 贝叶斯估计求解（λ = 1时，称为拉普拉斯平滑；λ = 0时，称为极大似然估计）： 书中对这两个方法的说明：
朴素贝叶斯问题举例
Larkii 的博客
07-28 312
假设我们现在有垃圾邮件样本、正常邮件样本、测试邮件，其中 垃圾邮件样本： 1.点击、更多、信息 2.最新、产品 3. 信息、...
朴素贝叶斯实例
qq_44969628的博客
02-20 546
对朴素贝叶斯的实战手动推算，需要了解贝叶斯相关知识，数据集采用的西瓜数据集3.0，有17个训练样本，1个预测样本。相当于一个例题，用来了解朴素贝叶斯的计算过程。
【机器学习】 朴素贝叶斯算法：原理、实例应用（文档分类预测）
TwcatL_tree
11-13 4592
为了统计每一篇文章中各个单词出现的次数，哪些分类中哪些单词出现的比较多，从而建立分类模型，同1.4所述。P(娱乐类|影院,云计算) = P(影院,云计算|娱乐类)*P(娱乐类)/P(影院,云计算)，男生都留短发，女生一半留短发，一半留长发。一般采用75%的数据用于训练，25%用于测试，因此把数据进行训练之前，先要对数据划分。，sparse矩阵只会标记word1和word2中不为0的地方，为0的地方不显示，即。事件A在另一个事件B已经发生的前提下发生的概率，记作P(A|B)，如果有多个条件，
朴素贝叶斯案例解析
AI World
09-24 1万+
文章目录什么是贝叶斯贝叶斯算例 什么是贝叶斯 贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系，如下： P(A∣B)=P(B∣A)P(A)P(B)P(A|B) = \frac{P(B|A)P(A)}{P(B)}P(A∣B)=P(B)P(B∣A)P(A)​ P(A)：事件A发生的概率 P(B)：事件B发生的概率 P(A|B)：事件B发生的条件下（B已经发生），事件A发生的概率 P(B|A)：事件A发生的条件下（A已经发生），事件B发生的概
机器学习实战之朴素贝叶斯
weixin_30262255的博客
05-12 372
一，引言 　　前两章的KNN分类算法和决策树分类算法最终都是预测出实例的确定的分类结果，但是，有时候分类器会产生错误结果；本章要学的朴素贝叶斯分类算法则是给出一个最优的猜测结果，同时给出猜测的概率估计值。 1 准备知识：条件概率公式 相信学过概率论的同学对于概率论绝对不会陌生，如果一时觉得生疏，可以查阅相关资料，在这里主要是想贴出条件概率的计算公式： 　　P(A|B)=P(A,B)/P(B...
朴素贝叶斯分类算法案例
m0_57493222的博客
04-15 1631
贝叶斯(Thomas Bayes,1701—1761)，英国牧师、业余数学家。生活在18世纪的贝叶斯生前是位受人尊敬英格兰长老会牧师。为了证明上帝的存在，他发明了概率统计学原理，遗憾的是，他的这一美好愿望至死也未能实现。贝叶斯在数学方面主要研究概率论。他首先将归纳推理法用于概率论基础理论，并创立了贝叶斯统计理论，对于统计决策函数、统计推断、统计的估算等做出了贡献。1763年发表了这方面的论著，对于现代概率论和数理统计都有很重要的作用。贝叶斯的另一著作《机会的学说概论》发表于1758年。贝...
朴素贝叶斯分类器例题
最新发布
12-27
### 关于朴素贝叶斯分类器的示例题目及解答 #### 示例题目：使用朴素贝叶斯分类器进行鸢尾花种类预测 给定一组鸢尾花的数据集，该数据集中包含了四种特征（萼片长度、萼片宽度、花瓣长度和花瓣宽度），目标是根据这些特征来预测鸢尾花的具体种类。 为了完成这个任务，下面是一个完整的 Python 实现过程： ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB from sklearn.metrics import accuracy_score, classification_report def iris_naive_bayes(): # 加载鸢尾花数据集 data = load_iris() X = data.data # 特征向量 y = data.target # 类别标签 # 将数据分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 创建高斯朴素贝叶斯模型实例并拟合训练数据 model = GaussianNB().fit(X_train, y_train) # 使用测试数据评估模型性能 predictions = model.predict(X_test) print(f'Accuracy Score: {accuracy_score(y_test, predictions)}') print('Classification Report:') print(classification_report(y_test, predictions)) ``` 上述代码展示了如何利用 `scikit-learn` 库中的 `GaussianNB()` 函数快速构建一个基于高斯分布假设下的朴素贝叶斯分类器，并应用于鸢尾花数据集上。通过分割原始数据为训练集与验证集的方式，能够有效地衡量所建立模型的好坏程度[^2]。 此外，在处理实际问题时，如果遇到某些类别下特定属性从未观察到的情况，则可以通过引入拉普拉斯平滑技术来调整概率估计值，从而防止由于某个条件概率等于零而导致最终联合概率也为零的现象发生[^5]。
评论 5
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