监督学习——朴素贝叶斯

最新推荐文章于 2024-04-06 21:38:28 发布
最新推荐文章于 2024-04-06 21:38:28 发布
阅读量264 收藏
点赞数
分类专栏： 监督学习
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/laboirousbee/article/details/88965352
版权

目录

猜测人

已知与推断

贝叶斯定理

贝叶斯学习

朴素贝叶斯算法

构建垃圾邮件分类

朴素贝叶斯是一种概率算法，它基于条件概率这一概念，该算法有很多优势：易于实现，训练速度快。

猜测人

已知与推断

贝叶斯定理

敏感性：在金标准判断有病（阳性）人群中，检测出阳性的几率。真阳性。即，识别能力， 敏感性越高，漏诊概率越低。
特异性：在金标准判断无病（阴性）人群中，检测出阴性的几率。真阴性。检测出确实没病的能力， 特异性越高，确诊概率越高。
假阳性率：得到了阳性结果，但这个阳性结果是假的。即在金标准判断无病（阴性）人群中，检测出为阳性的几率。（没病，但却检测结果说有病），为误诊率。 
假阴性率：得到了阴性结果，但这个阴性结果是假的。即在金标准判断有病（阳性）人群中，检测出为阴性的几率。（有病，但却检测结果说没病），为漏诊率。

贝叶斯学习

朴素贝叶斯算法

在朴素贝叶斯定理中，假设概率是相互独立的，天真、不成立的假设，在实践中效果很好，使算法速度很快。P(A | B)\cdot P(B) = P(B |A)\cdot P(A)，这是贝叶斯的基础，采用的技巧是忘记P(B)，变成了P(A | B) \propto P(B | A)\cdot P(A)，变成一种比例关系。P(A & B) = P(A)\cdot P(B)。然后对计算出的概率归一化。

构建垃圾邮件分类

laboirousbee
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
监督学习：朴素贝叶斯
噜噜啦嘞嘞
03-31 1542
朴素贝叶斯分类器的推导
4.3.1有监督学习（六） - 朴素贝叶斯分类（Naive Bayesian Classifier）
Orange_Spotty_Cat的博客
08-29 5643
简介 贝叶斯分类方法是与有监督学习中的最直观简单的方法。贝叶斯分类器缘起于贝叶斯定理，在定理的基础上发展为了朴素贝叶斯分类法（Naive Bayesian Classification）。朴素贝叶斯分类方法的好处在于简单直接，它一般用于概率推理与决策，即在信息不全的时候，通过观察随机变量，推断不可观察的随机变量。 一句话解释版本： 贝叶斯分类是利用概率论作为基础推断不可观测变量的类别，其基础...
机器学习（五） -- 监督学习（2） -- 朴素贝叶斯
最新发布
zqx1473的博客
04-06 1378
tips：标题前有“***”的内容为补充内容，是给好奇心重的宝宝看的，可自行跳过。文章内容被“文章内容”删除线标记的，也可以自行跳过。！！”一般需要特别注意或者容易出错的地方。本系列文章是作者边学习边总结的，内容有不对的地方还请多多指正，同时本系列文章会不断完善，每篇文章不定时会有修改。朴素贝叶斯是一种分类算法，经常被用于文本分类，它的输出结果是某个样本属于某个类别的概率。朴素：之所以朴素，就在于假定了特征与特征相互独立。（这样有些概率才有可计算性）贝叶斯：数学中的贝叶斯公式。
监督学习——贝叶斯
人之初，性贪婪
07-15 1713
1.1.1. 朴素贝叶斯贝叶斯公式：换个表达形式就会明朗很多，如下：我们最终求的p(类别|特征)即可！就相当于完成了我们的任务。例如： 如果一对男女朋友，男生想女生求婚，男生的四个特点分别是不帅，性格不好，身高矮，不上进，请你判断一下女生是嫁还是不嫁？这是一个典型的分类问题，转为数学问题就是比较p(嫁|(不帅、性格不好、身高矮、不上进))与p(不嫁|(不帅、性格不好、身高矮、不上进))的概率，谁的...
机器学习：一些常见的监督型学习方法（K近邻、决策树、朴素贝叶斯、逻辑回归）
EastCarFxx Blog
02-18 2万+
机器学习：一些常见的监督型学习方法（K近邻、决策树、朴素贝叶斯、逻辑回归）在机器学习中，无监督学习（Unsupervised learning）就是聚类，事先不知道样本的类别，通过某种办法，把相似的样本放在一起归位一类；而监督型学习（Supervised learning）就是有训练样本，带有属性标签，也可以理解成样本有输入有输出。所有的回归算法和分类算法都属于监督学习。回归（Regression）
机器学习-监督学习之朴素贝叶斯算法
weixin_45516016的博客
08-18 214
机器学习-监督学习之朴素贝叶斯算法 贝叶斯理论是概率论框架下实施决策的基本方法，对分类任务来说，在所有的相关概率都已知的理想情况下，贝叶斯理论考虑如何基于这些概率和误判损失来选择最优的类别标记。 基本原理： Prior: 已知的，在A/B发生条件下R发生的概率 Posterior: 未知的， 推测出来的R发生条件下是A/B的概率 误报 False positive 举个例子来解释误报，在医院看...
bayes09_机器学习_机器学习的算法_朴素贝叶斯_
09-29
在这个场景中，我们关注的是监督学习中的一个关键算法——朴素贝叶斯。 朴素贝叶斯算法基于贝叶斯定理，该定理是概率论中的一个重要概念，用于计算事件A在已知另一个事件B发生时的概率。在机器学习中，这个定理被...
基于改进朴素贝叶斯的入侵检测方法
10-16
朴素贝叶斯分类算法是一种基于概率的监督学习方法，它基于贝叶斯定理和特征之间的独立性假设。在入侵检测领域，朴素贝叶斯算法因其简单高效而被广泛使用。然而，朴素贝叶斯的一个核心假设是所有特征之间相互独立，这...
数据挖掘 | [有监督学习——分类] 决策树基本知识及python代码实现——利用sklearn
12-21
【决策树基本知识】 决策树是一种机器学习算法，主要用于分类任务。它通过一系列基于属性的判断，形成一个树状...在数据挖掘中，决策树常常与其他算法如关联规则、朴素贝叶斯和聚类算法一起使用，以解决各种复杂问题。
Supervised_classification_DT_GaussianNB：使用决策树和高斯朴素贝叶斯对葡萄酒数据集进行分类
03-04
在这个项目中，我们将深入探讨两种常见的监督学习算法——决策树（Decision Tree）和高斯朴素贝叶斯（Gaussian Naive Bayes），并利用它们来对葡萄酒数据集进行分类。这个任务是机器学习中的一个重要实践，它展示了...
朴素贝叶斯算法
07-02
**朴素贝叶斯分类**是一种基于概率论的监督学习方法，广泛应用于文本分类、情感分析、垃圾邮件过滤等领域。它以贝叶斯定理为基础，并做了简化假设——即特征之间相互独立，这一假设虽然在现实中很少成立，但朴素...
朴素贝叶斯算法推导分析
架构师老狼
08-03 1259
''' @description ：一级分类：监督学习，二级分类：分类（离散问题），三级分类：贝叶斯算法 算法优点： a 朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率 b 对缺失的数据不太敏感，算法也比较简 c 分类问题准确度高、速度快 算法缺点： a 由于使用了样本属性独立性的假设，所以如果样本属性有关联时其效...
机器学习—有监督学习—朴素贝叶斯(代码实现)
柳成荫
08-13 1993
一、朴素贝叶斯模型(Naive Bayesian Model,NBM) 朴素贝叶斯中的朴素一词的来源就是假设各特征之间相互独立。这一假设使得朴素贝叶斯算法变得简单，但有时会牺牲一定的分类准确率。 1、条件概率 设A，B为任意两个事件，若P(A)>0，我们称在已知事件A发生的条件下，事件B发生的概率为条件概率，记为P(B|A)，并定义 2、全概率公式 如果 P(Ai)>0，则对任一事...
监督学习-----分类学习-----朴素贝叶斯（navie bayes）
Goldstine的博客
12-14 618
朴素贝叶斯是一个实用性很强的分类模型，不过线性分类器和支持向量机分类器（基于线性假设的模型）不同，朴素贝叶斯的构造基础是贝叶斯理论 这个模型的基本数学假设是：各个维度上的特征被分类的条件概率之间是相互独立的。 朴素贝叶斯模型有着广泛的实际应用环境，特别是在文本分类的任务中间，包括互联网新闻的分类，垃圾邮件的筛选等等。 一：以经典的20类新闻文本作为测试数据。 （1）读取20类新闻文本的数据...
[监督学习] 朴素贝叶斯法
ZhuNian的学习乐园
04-16 874
[监督学习] 朴素贝叶斯法 1前言 2朴素贝叶斯原理 2.1贝叶斯定理 2.2特征条件独立假设 3朴素贝叶斯算法 4贝叶斯估计 5朴素贝叶斯的优点和缺点 6朴素贝叶斯算法实现及案例 6.1朴素贝叶斯算法实现 6.2朴素贝叶斯垃圾邮件分类 6.2朴素贝叶斯sklearn库 参考文献
机器学习---监督学习之朴素贝叶斯
I_AM_KK的博客
06-11 292
通过概率对某数据进行预测。 重要的是：我们必须分清楚，已知和推断。 已知：小明和小红穿红色毛衣的概率 推断：穿红色毛衣的概率是小明还是小红 专业术语就是： 已知：小明和小红（事件A）穿红色毛衣（事件R）的概率（P(R|A)） 推断：穿红色毛衣的概率是小明还是小红(P(A|R)) 我们按照正常步骤求出所有事件发生的概率。 我们知道其中某个特性，找出包含这个特性的概率。 在他们之间进行预测剩下的事件概率。 就是朴素贝叶斯。 贝叶斯定理 ...
机器学习中的有监督学习，无监督学习，半监督学习
热门推荐
小硒---代码无疆
04-29 6万+
在机器学习(Machine learning)领域，主要有三类不同的学习方法： 监督学习(Supervised learning)、 非监督学习(Unsupervised learning)、 半监督学习(Semi-supervised learning)， 监督学习：通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函数，将输入映射到合适的输出，例如分类。 非监督学习：直接
朴素贝叶斯法（Naive Bayes，NB）（结合例子推公式，通俗易懂）
weixin_46838605的博客
02-16 3926
朴素贝叶斯是一种概率模型，同时也是参数化模型，经常用于监督学习的分类应用中，例如垃圾邮件分类。对于训练集，首先学习输入输出的联合概率分布模型，然后基于此模型，对给出的输入x，利用贝叶斯定理求出后验概率最大的输出y。 先来看看最终的公式： y=argmaxP(Y=ck)∏jP(X(j)=x(j)∣Y=ck) y = argmaxP(Y=c_k)\prod_{j}P(X^{(j)}=x^{(j)}|Y=c_k) y=argmaxP(Y=ck​)j∏...
机器学习监督学习之分类算法---朴素贝叶斯理论知识
TI__boyue的博客
08-26 1727
感谢Jack-Cui大佬的知识分享 机器学习专栏点击这里 目录感谢Jack-Cui大佬的知识分享
机器学习方法在评论情感分析中的应用——朴素贝叶斯与支持向量机对比
本文主要探讨了在文本情感分析领域中，如何利用朴素贝叶斯和支持向量机(SVM)这两种机器学习方法对评论数据进行情感倾向的识别。情感分析，特别是针对网络评论的情感分析，已经成为大数据时代下挖掘用户情绪和需求的...
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

打赏作者

laboirousbee

你的鼓励是我创作的动力。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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