轻松搞定朴素贝叶斯(有例题)

最新推荐文章于 2024-08-22 21:27:36 发布
最新推荐文章于 2024-08-22 21:27:36 发布
阅读量5.9k 收藏 57
点赞数 13
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
我有条纹汪汪汪
关注
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(Bayes)算法例题
m0_46400910的博客
12-10 7194
朴素贝叶斯(Bayes)算法例题
机器学习——决策树，朴素贝叶斯
最新发布
alb3117149013的博客
08-22 1240
数据类型适用于离散型特征，如计数数据。适用于连续型特征，如实数数据。假设假设特征是由多项分布生成的。假设特征值服从正态分布。应用场景在文本分类（如垃圾邮件分类）、推荐系统（基于用户行为的分类）等方面表现良好。在数据特征服从正态分布的情况下表现良好，如一些传感器数据的分类或者健康检测领域。
将csv或者Excel文件导入到hive
Smallcaff的博客
03-21 2885
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...
【机器学习实战】第4章 朴素贝叶斯（Naive Bayes）
weixin_34257076的博客
09-03 427
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...
人工智能-项目实践-朴素贝叶斯分类器-朴素贝叶斯文本分类器
03-25
人工智能_项目实践_朴素贝叶斯分类器_朴素贝叶斯文本分类器 **数据：**搜狗文本分类语料库 **分类器：**朴素贝叶斯分类器 NBC(Naive Bayesian Classifier) **编程语言：**Python+jieba分词库+nltk+sklearn
java实现朴素贝叶斯分类算法
12-23
朴素贝叶斯分类算法是一种基于概率的机器学习方法，它基于贝叶斯定理和特征条件独立假设。在Java中实现朴素贝叶斯分类器，我们需要理解以下几个关键知识点： 1. **贝叶斯定理**：贝叶斯定理是概率论中的一个公式，...
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
朴素贝叶斯问题举例
Larkii 的博客
07-28 282
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、...
【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 3912
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。 ..
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：朴素贝叶斯算法学习及案例实现
m0_58475958的博客
08-07 3179
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
朴素贝叶斯及经典实例讲解
大数据技术派
11-12 8861
原文连接：https://www.cnblogs.com/lliuye/p/9178090.html https://www.cnblogs.com/huangyc/p/10327209.html朴素贝叶斯法（Naive Bayes）是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，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...
python实现朴素贝叶斯算法例题
05-18
好的，下面给出一个简单的朴素贝叶斯分类算法的实现。 首先，我们需要准备一些训练数据。这里以一个简单的鸢尾花数据集为例，其中包含150个样本，每个样本有4个特征和1个类别标签。我们将其分为70%的训练集和30%的测试集： ```python import numpy as np from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split # 加载数据集 iris = load_iris() X, y = iris.data, iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) ``` 接下来，我们需要定义朴素贝叶斯分类器的类： ```python class NaiveBayesClassifier: def __init__(self): self.classes = None self.means = None self.stds = None def fit(self, X, y): self.classes = np.unique(y) self.means = np.zeros((len(self.classes), X.shape[1])) self.stds = np.zeros((len(self.classes), X.shape[1])) for i, c in enumerate(self.classes): X_c = X[y == c] self.means[i, :] = X_c.mean(axis=0) self.stds[i, :] = X_c.std(axis=0) def predict(self, X): posteriors = np.zeros((X.shape[0], len(self.classes))) for i, c in enumerate(self.classes): prior = np.log(np.sum(y_train == c) / X.shape[0]) likelihood = np.sum(-0.5 * np.log(2 * np.pi * self.stds[i, :]**2) - 0.5 * ((X - self.means[i, :])**2 / (self.stds[i, :]**2)), axis=1) posterior = prior + likelihood posteriors[:, i] = posterior return self.classes[np.argmax(posteriors, axis=1)] ``` 其中，`fit()`方法用于训练模型，`predict()`方法用于对新的样本进行预测。 在训练过程中，我们需要计算每个类别的均值和标准差。然后，对于一个新的样本，我们可以计算它属于每个类别的概率，选择概率最大的类别作为预测结果。 最后，我们可以使用训练集来训练模型并进行预测： ```python # 初始化模型 nb = NaiveBayesClassifier() # 训练模型 nb.fit(X_train, y_train) # 预测测试集 y_pred = nb.predict(X_test) # 计算准确率 accuracy = np.mean(y_pred == y_test) print('Accuracy:', accuracy) ``` 输出结果如下： ``` Accuracy: 0.9777777777777777 ``` 可以看到，我们的朴素贝叶斯分类器在测试集上的准确率达到了97.8%。
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