机器学习之朴素贝叶斯

最新推荐文章于 2023-12-27 10:40:22 发布
最新推荐文章于 2023-12-27 10:40:22 发布
阅读量302 收藏 1
点赞数
分类专栏： 算法 机器学习
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/lhy2239705435/article/details/89920907
版权
本文介绍了朴素贝叶斯分类器的使用，从贝叶斯定理的基础知识出发，详细阐述了如何计算TF-IDF，以及如何利用sklearn的TfidfVectorizer和朴素贝叶斯进行文档分类。文章分为六个模块，涵盖了文档分词、停用词处理、特征权重计算、分类器构建、预测以及评估预测准确率的过程。实战数据显示，分类准确率为0.915。
摘要由CSDN通过智能技术生成

1、贝叶斯介绍

下式为贝叶斯的一般公式 

2、朴素贝叶斯应用

 

 

 

 

如何求TF-IDF

在 sklearn 中我们直接使用 TfidfVectorizer类；创建方法如下：

TfidfVectorizer(stop_words=stop_words, token_pattern=token_pattern)


 

当我们创建好 TF-IDF 向量类型时，使用fit_transform 计算，返回文本矩阵，该矩阵表示每个单词的TF—IDF值

拟合后，可以获取一下值 


                

        

        

    




        

            

                    
                      最低0.47元/天 解锁文章
                        
                    
            

        

    

      

        

            

              
                
                  lhaniey
                
              
            

            

                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
          










                



	

		

			

				
					
机器学习：朴素贝叶斯算法

				
			

			

				

					liuxb1223的专栏
				

				

					07-05
					
					1494
					
				

			

		

		

			
				
P(v)=

			
		

	



                

              
                



	

		

			

				
					
机器学习之朴素贝叶斯分类+拉普拉斯平滑

				
			

			

				

					11-14
				

			

		

		

			
				
**朴素贝叶斯分类**是基于概率理论的一种机器学习算法，其核心思想是假设特征之间相互独立，并且每个特征对预测结果的影响是独立的。在实际应用中，朴素贝叶斯模型简单、易于理解和实现，尤其适用于文本分类、垃圾...

			
		

	



                


  
              

                


	

		

			

				
					
机器学习 —— 朴素贝叶斯

					
热门推荐

				
			

			

				

					DreamWendy的博客
				

				

					11-29
					
					2万+
					
				

			

		

		

			
				
​
一、基于贝叶斯决策理论的分类方法
二、条件概率
三、朴素贝叶斯分类器
四、使用朴素贝叶斯进行文档分类
4.1准备数据：从文本中构建词向量
4.2 训练算法：从词向量计算概率
4.3 测试算法：根据现实情况修改分类器
4.4 准备数据：文档词袋模型
五、示例：使用朴素贝叶斯过滤垃圾邮件
5.1准备数据：切分文本
5.2 测试算法：使用朴素贝叶斯进行交叉验证
5.3 垃圾邮件分类完整代码
六、朴素贝叶斯实验总结

			
		

	





	

		

			

				
					
【机器学习】--机器学习之朴素贝叶斯从初始到应用

				
			

			

				

					L先生AI课堂
				

				

					04-07
					
					464
					
				

			

		

		

			
				
一、前述

机器学习算法中，有种依据概率原则进行分类的朴素贝叶斯算法，正如气象学家预测天气一样，朴素贝叶斯算法就是应用先前事件的有关数据来估计未来事件发生的概率。


二、具体

1、背景--贝叶斯定理引入
对于两个关联事件（非独立事件）A和B，同时发生的概率为：P(AB)=P(A|B)P(B)=P(B|A)P(A)，所以把公式变形后可得：

贝叶斯定理，他是朴素贝叶斯算法的基础，就是下面的这个...

			
		

	



		

			
		



	

		

			

				
					
机器学习——朴素贝叶斯

					
最新发布

				
			

			

				

					qq_41566819的博客
				

				

					12-27
					
					1428
					
				

			

		

		

			
				
朴素贝叶斯算法或朴素贝叶斯分类器(Naive Bayes Classifier,NBC)发源于古典数学理论，是基于贝叶斯理论与特征条件独立假设的分类方法，通过单独考量每一特征被分类的条件概率作出分类预测。

			
		

	





	

		

			

				
					
PHP实现机器学习之朴素贝叶斯算法详解

				
			

			

				

					12-19
				

			

		

		

			
				
【PHP实现机器学习之朴素贝叶斯算法详解】  在当今数字化的世界中，机器学习已经成为一个不可或缺的领域，从智能家居到自动驾驶汽车，再到智能手机中的语音助手，无处不在地影响着我们的生活。机器学习的核心在于让...

			
		

	





	

		

			

				
					
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  #### 贝叶斯公式的推导与应用  **贝叶斯定理**是概率论中一个非常重要的概念，在机器学习领域有着广泛的应用，尤其是对于分类任务而言。它最初是由18世纪英国数学家托马斯·贝叶斯在...

			
		

	





	

		

			

				
					
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-朴素贝叶斯代码

				
			

			

				

					12-23
				

			

		

		

			
				
**朴素贝叶斯分类器**是机器学习领域中一种经典的概率分类模型，它基于贝叶斯定理，并假设特征之间相互独立。在本项目中，我们重点探讨如何使用Python编程语言来实现朴素贝叶斯算法，包括在文本分类任务如垃圾邮件...

			
		

	





	

		

			

				
					
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

			
		

	





	

		

			

				
					
机器学习，朴素贝叶斯 约会数据 dating data 

				
			

			

				

					03-07
				

			

		

		

			
				
在机器学习领域，朴素贝叶斯算法是一种广泛应用的分类方法，尤其在文本分类、垃圾邮件过滤等场景下表现优秀。本资料集“机器学习，朴素贝叶斯 约会数据 dating data”聚焦于利用朴素贝叶斯进行预测分析，可能是为了...

			
		

	





	

		

			

				
					
Logistic回归_机器学习_朴素贝叶斯_

				
			

			

				

					09-30
				

			

		

		

			
				
Logistic回归和朴素贝叶斯是两种在机器学习领域中广泛应用的分类算法，它们各有特点，且在实际问题中有着广泛的应用场景。  首先，我们来深入理解Logistic回归。Logistic回归并非真正的“回归”算法，而是一种二分类...

			
		

	





	

		

			

				
					
python 机器学习-朴素贝叶斯算法实现

				
			

			

				

					03-18
				

			

		

		

			
				
在学习朴素贝叶斯的过程中，理解概率论基础，如条件概率、贝叶斯定理以及各类概率分布（高斯、多项式、伯努利）至关重要。此外，了解如何处理缺失值、异常值以及特征缩放也是提升模型性能的关键步骤。通过不断实践和...

			
		

	





	

		

			

				
					
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

				
			

			

				

					05-22
				

			

		

		

			
				
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 = ...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		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