朴素贝叶斯模型

本文详细介绍了朴素贝叶斯模型,包括其基于贝叶斯定理和特征条件独立假设的基本概念,如何通过极大似然估计进行参数学习,以及在遇到概率为0时如何使用贝叶斯估计进行改进。此外,还探讨了模型的优点,如对小规模数据和多分类任务的适应性,以及缺点,如对数据表达形式的敏感性。
摘要由CSDN通过智能技术生成

(一)概念

1.朴素贝叶斯模型是基于贝叶斯定理以及特征条件独立假设的生成模型;

(1)贝叶斯定理:


(2)特征条件独立假设:假设用于分类的特征在类确定的条件下都是条件独立的,朴素贝叶斯由此得名:


2.朴素贝叶斯模型的思想:通过数据学习其联合概率分布P(X,Y|θ),具体做法是采用极大似然估计去估计参数θ;

(二)算法

1.学习

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