机器学习之朴素贝叶斯

最新推荐文章于 2023-05-05 16:09:16 发布
最新推荐文章于 2023-05-05 16:09:16 发布
阅读量250 收藏 1
点赞数
分类专栏： 机器学习 文章标签： 算法 朴素贝叶斯算法 gnb
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/gzn00417/article/details/109736563
版权

朴素贝叶斯

贝叶斯法则

条件独立

  • 如果P(X,Y|Z)=P(X|Z)P(Y|Z)，或等价地P(X|Y,Z）=P(X|Z），则称事件X,Y对于给定事件Z是条件独立的，也就是说，当Z发生时，X发生与否与Y发生与否是无关的。

朴素贝叶斯

假设每个输入变量独立

算法

  • 概率必须满足归一性，所以只需要估计n-1个参数

高斯朴素贝叶斯 GNB

  • 连续 X X X
  • 离散 Y Y Y

算法

参数估计

頔潇
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
朴素贝叶斯代码_朴素贝叶斯理解及代码释义
weixin_39630771的博客
12-16 281
朴素贝叶斯是基于概率论的分类算法，对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。多用于文本分类，比如垃圾邮件过滤。朴素贝叶斯最核心的部分是贝叶斯法则，其公式定义： 边缘概率（又称先验概率）：某个事件发生的概率。边缘概率是这样得到的：在联合概率中，把最终结果中那些不需要的事件通过合并成它们的全概率，而消去它们（对离散随机变量用求和得全概率，对...
贝叶斯预测模型 (数学原理与推导)
热门推荐
沈春旭的博客
02-08 3万+
1. 方差的两种计算方法 对于方差计算的一个重要结论： 2. 联合概率分布-条件概率分布 当然，利用联合概率分布也很容易推出边缘概率分布；只需要对其他变量进行全积分即可！ 条件概率分布直观想象还是有难度的，很多时候我们仍然需要借助公式进行求解： 需要注意的是，上面介绍的是推广情况。针对于特殊情况，例如X,Y是相对独立的。那么联合概率和条件概率将退化成非常简单的形式： ...
机器学习（三）：梯度下降法
芙兰泣露的博客
10-03 7196
本博客大部分参考了这篇博文梯度 在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。
统计学习 贝叶斯分类
一只老风铃
12-21 322
【概率知识】 事件独立：当事件x与事件y相互独立时，有 p(x,y|z)=p(x|z)*p(y|z) 成立 即事件x的发生与否 与 事件y发生与否 不相关，完全独立 条件概率：p(x|y)表示当事件y发生时候，事件x发生的概率 全概率公式：p(x)=p(x|y1)+p(x|y2)..... 一种理解角度是：事件x发生的概率，是出现y1现象时x发生的概率+出现y2现象时x发生的概率.....
机器学习之朴素贝叶斯一
争渡的博客
05-05 2万+
贝叶斯是指贝叶斯学派（Bayesian），它是概率论的一个分支，其研究的是不确定性的量化和推理。具体来说，贝叶斯学派的核心思想是基于贝叶斯公式进行不确定性推断。贝叶斯公式是概率论中的一项基本定理，它描述了在给定某些先验条件下，根据新的观测数据如何更新已有的信念。简单地说，贝叶斯公式可以用来计算在得到新信息后，对事件可能发生的概率进行修正。贝叶斯学派认为，我们对未知事物的判断应该基于主观经验和现有证据，而非仅仅依赖于观测数据。
机器学习之朴素贝叶斯原理
SKIp121whats112的博客
01-30 1874
机器学习之朴素贝叶斯原理
机器学习之朴素贝叶斯算法
RayChiu757374816的博客
11-08 2836
关于NLP中的概率图模型，我们知道目前最流行的算法思想包含如下两大流派：基于概率论和图论的概率图模型；基于人工神经网络的深度学习理论。 贝叶斯公式与朴素贝叶斯算法 贝叶斯公式最早是由英国神学家贝叶斯提出来的，用来描述两个条件概率之间的关系。在之前的条件概率定义中，我们知道 ： 可推导出： 由此，推广到随机变量的范畴，设X，Y为两个随机变量，得到贝叶斯公式：其中，P(Y)叫作先验概率，P(Y|X)叫作后验概率，P(Y,X)是联合概率 在机器学习的视角下，我们把...
机器学习之朴素贝叶斯分类
weixin_47166032的博客
08-12 1047
朴素贝叶斯分类贝叶斯定理和基础概率论朴素贝叶斯高斯朴素贝叶斯多项式朴素贝叶斯伯努利朴素贝叶斯几种朴素贝叶斯实战总结 贝叶斯定理和基础概率论 概率，其实在我们生活中十分常见，它是对未来事件发生可能性的表述，比如彩票的中奖率是多少？概率值通常用P来表示，古典概率的取值范围在0~1之间。 P(A)=0就是表示事件A一定不会发生 条件概率是用形如P(A|B)来表示，它的含义是：如果事件B已经发生，那么事件A发生的概率是多少 联合概率是用形如P(AB),P(A,B),P(A⋂\bigcap⋂B)来表示的，它是用来描述
机器学习 之朴素贝叶斯
[ 25'h ]
07-17 1156
朴素贝叶斯朴素贝叶斯高斯朴素贝叶斯中的参数高斯朴素贝叶斯的使用模型评估指标布里尔分数高斯朴素贝叶斯对不同数据集的效果不同样本量对于高斯朴素贝叶斯的影响 朴素贝叶斯 贝叶斯模型同样是流行的十大挖掘算法之一，属于有监督的学习算法，是专门用于解决分类问题的模型，该模型的数学理论并不复杂，只需要具备概率论和数理统计的部分知识，该分类器的实现思想非常简单，即通过已知类别的训练数据及计算样本先验概率，然后利用贝叶斯公式测算未知类别样本属于某个类别的后验概率，最终以最大的后验概率所对应的类别作为样本的预测值。 朴素贝叶斯
机器学习之朴素贝叶斯分类+拉普拉斯平滑
11-14
机器学习之朴素贝叶斯分类+拉普拉斯平滑 资源内容：西瓜数据集3.0+朴素贝叶斯分类（python手写） 代码可直接运行 输入数据为DataFrame类型，比较好理解。
PHP实现机器学习之朴素贝叶斯算法详解
12-19
本文实例讲述了PHP实现机器学习之朴素贝叶斯算法。分享给大家供大家参考，具体如下： 机器学习已经在我们的生活中变得随处可见了。比如从你在家的时候温控器开始工作到智能汽车以及我们口袋中的智能手机。机器学习看...
机器学习之朴素贝叶斯理论与代码实践
06-13
深入理解条件概率。详细讲解朴素贝叶斯的数学推导过程，能够使用原生代码完成朴素贝叶斯代码的编写。能够调用sklearn库完成朴素贝叶斯代码的编写。能够理解垃圾邮件分类原理并使用朴素贝叶斯完成垃圾邮件的分类。
机器学习之朴素贝叶斯算法-----python实现垃圾邮件分类
07-12
简单的朴素贝叶斯垃圾邮件分类算法（python实现），另外上传的有垃圾邮件训练数据集，供大家下载。
机器学习之朴素贝叶斯简介
06-12
机器学习之朴素贝叶斯简介,介绍了 贝叶斯公式推导及算法的实现
机器学习-朴素贝叶斯代码
12-23
机器学习中的朴素贝叶斯分类器，基于Python代码实现，其中有文本分类垃圾邮件过滤以及使用贝叶斯分类器从个人广告中获取区域倾向等实例，在Pycharm中测试通过
基于朴素贝叶斯机器学习算法实现情感文本分析与分类
10-06
#清磁盘啦~，CSDN“网盘”真好用，感谢CSDN~ 机器学习，基于朴素贝叶斯机器学习算法实现对情感文本分析与分类（含数据集），sgns.weibo.bigram-char，使用gensim加载预训练中文分词
Logistic回归_机器学习_朴素贝叶斯_
09-30
朴素贝叶斯算法，机器学习入门算法，内附python代码实现
机器学习，朴素贝叶斯 约会数据 dating data
03-07
机器学习，朴素贝叶斯 约会数据 dating data
基于朴素贝叶斯分类器的西瓜数据集 2.0 预测分类_机器学习之朴素贝叶斯
最新发布
05-22
首先，我们需要探索一下数据集。西瓜数据集 2.0 是一个经典的二分类数据集，其中包含 17 个样本和 8 个特征。我们可以使用 Python 中的 Pandas 库来读取数据集。 ```python import pandas as pd # 读取数据集 data = pd.read_csv('watermelon_2.csv') print(data.head()) ``` 接下来，我们需要对数据集进行预处理。首先，我们将数据集划分为训练集和测试集。我们可以使用 Scikit-learn 库中的 train_test_split 方法来实现。 ```python from sklearn.model_selection import train_test_split # 划分数据集 X = data.iloc[:, 1:8] y = data.iloc[:, 8] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) ``` 然后，我们可以使用朴素贝叶斯分类器来训练我们的模型。Scikit-learn 库中提供了多种朴素贝叶斯分类器，例如 GaussianNB、MultinomialNB 和 BernoulliNB。在这里，我们将使用 GaussianNB。 ```python from sklearn.naive_bayes import GaussianNB # 创建模型 model = GaussianNB() # 训练模型 model.fit(X_train, y_train) ``` 最后，我们可以使用测试集来评估我们的模型。 ```python # 预测分类 y_pred = model.predict(X_test) # 计算准确率 accuracy = (y_pred == y_test).sum() / len(y_test) print('准确率：', accuracy) ``` 完整代码如下： ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB # 读取数据集 data = pd.read_csv('watermelon_2.csv') # 划分数据集 X = data.iloc[:, 1:8] y = data.iloc[:, 8] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) # 创建模型 model = GaussianNB() # 训练模型 model.fit(X_train, y_train) # 预测分类 y_pred = model.predict(X_test) # 计算准确率 accuracy = (y_pred == y_test).sum() / len(y_test) print('准确率：', accuracy) ``` 执行代码后，我们可以得到如下结果： ``` 准确率： 0.6 ``` 因为样本数量比较少，所以准确率并不高。如果我们使用更多的数据或者其他的朴素贝叶斯分类器，可能会得到更好的结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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