最小错误率的贝叶斯分类预习报告

最新推荐文章于 2022-10-25 22:23:42 发布

心雨落花

最新推荐文章于 2022-10-25 22:23:42 发布

阅读量152

点赞数 1

文章标签：算法 big data r语言

本文链接：https://blog.csdn.net/fghsrdg/article/details/121467067

版权

这篇博客介绍了贝叶斯分类的基本原理，包括朴素贝叶斯和TAN算法。朴素贝叶斯算法基于属性独立假设，而TAN通过添加属性间的关联来改进这一假设。实验内容涉及利用后验概率进行分类。

摘要由CSDN通过智能技术生成

一、实验目的

本实验旨在让同学对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯分类算法有一个深刻的认识

1，贝叶斯分类算法

贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。

2，几种算法

本实验旨在让同学对模式识别有一个初步的理解，能够根据自己的
设计对贝叶斯分类算法有一个深刻地认识。

A，朴素贝叶斯算法
设每个数据样本用一个n维特征向量来描述n个属性的值，即：X={x1，x2，…，xn}，假定有m个类，分别用C1, C2,…，Cm表示。给定一个未知的数据样本X（即没有类标号），若朴素贝叶斯分类法将未知的样本X分配给类Ci，则一定是

P(Ci|X)>P(Cj|X) 1≤j≤m，j≠i

根据贝叶斯定理

由于P(X)对于所有类为常数，最大化后验概率P(Ci|X)可转化为最大化先验概率P(X|Ci)

关注