1、朴素贝叶斯
原理:
理论上,概率模型分类器是一个条件概率模型:
独立变量C有若干类别,条件依赖于若干特征变量,但问题在于如果特征数量n的维度较大或者每个特征能取大量值时,基于概率模型列出概率表变得不现实。所以我们修改这个模型使之变得可行。 根据贝叶斯公式有以下式子:
或者,这样表达比较简洁明了:
其中, 为先验概率, 为后验概率;可以这么理解,再不知道需要预测的样本任何特征的时候,先判断该样本为某个类别的概率为 为,再知道样本的特征之后,乘上 之后,得到该样本再知道
1、朴素贝叶斯
原理:
理论上,概率模型分类器是一个条件概率模型:
独立变量C有若干类别,条件依赖于若干特征变量,但问题在于如果特征数量n的维度较大或者每个特征能取大量值时,基于概率模型列出概率表变得不现实。所以我们修改这个模型使之变得可行。 根据贝叶斯公式有以下式子:
或者,这样表达比较简洁明了:
其中, 为先验概率, 为后验概率;可以这么理解,再不知道需要预测的样本任何特征的时候,先判断该样本为某个类别的概率为 为,再知道样本的特征之后,乘上 之后,得到该样本再知道