朴素贝叶斯模型

最新推荐文章于 2022-04-05 13:55:56 发布

gulie8

最新推荐文章于 2022-04-05 13:55:56 发布

阅读量605

点赞数

分类专栏：数据挖掘与机器学习

本文链接：https://blog.csdn.net/gulie8/article/details/118761565

版权

朴素贝叶斯是基于贝叶斯定理的简单分类算法，常用于文本分类。本文介绍了朴素贝叶斯模型的核心公式，并提供了一个肿瘤预测模型的实战案例，强调了模型在处理特征独立性假设下的高效性。尽管模型泛化能力较弱，但在大量样本和特征时仍能展现出良好的预测效果。

摘要由CSDN通过智能技术生成

贝叶斯分类是机器学习中应用极为广泛的分类算法之一，其产生自英国数学家贝叶斯对于逆概问题的思考。朴素贝叶斯是贝叶斯模型当中最简单的一种，其算法核心为如下所示的贝叶斯公式。

方便记忆的转换形式：　pAB/pBA=pA/pB

其中P（A）为事件A发生的概率，P（B）为事件B发生的概率，P（A|B）表示在事件B发生的条件下事件A发生的概率，同理P（B|A）则表示在事件A发生的条件下事件B发生的概率。

'''朴素贝叶斯模型的简单代码实现 '''

from sklearn.naive_bayes import GaussianNB
x=[[1,2],[3,4],[5,6],[7,8],[9,10]]
'''第2行代码中的X是特征变量，共有2个特征；第3行代码中的y是目标变量，共有2个类别——0和1 '''
y=[0,0,0,1,1]
bys_m=GaussianNB()
bys_m.fit(x,y)
print(bys_m.predict([[5,5]]))

''' 朴素贝叶斯模型案例实战----肿瘤预测模型 '''