朴素贝叶斯算法

最新推荐文章于 2022-11-04 19:57:44 发布
最新推荐文章于 2022-11-04 19:57:44 发布
阅读量115 收藏
点赞数
分类专栏： sklearn 文章标签： 分类算法
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/m0_51738700/article/details/119681696
版权
本文介绍了朴素贝叶斯算法的基础，包括概率概念、联合概率和条件概率，重点阐述了朴素贝叶斯公式及其在分类中的应用。通过实例说明了拉普拉斯平滑在解决概率为0问题上的作用，并提到了sklearn库中的MultinomialNB实现，讨论了该算法的优缺点。
摘要由CSDN通过智能技术生成

概率基础

朴素贝叶斯算法在判断某文章或物品属于哪一类别时使用概率的方法，哪种类别的概率大，就判定其为哪种类别

联合概率

联合概率：包含多个条件，且所有条件同时成立的概率

记作: P(A, B)

条件概率

条件概率：就是事件A在另外一个事件B已经发生条件下的发生概率

记作：𝑃(𝐴|𝐵)

特性：P(A1,A2|B) = P(A1|B)P(A2|B)
注意：此条件概率的成立，是由于A1,A2相互独立的结果

朴素贝叶斯公式

 𝑃(𝐶)：每个文档类别的概率(某文档类别词数／总文档词数)

 𝑃(𝐹1,𝐹2,…)     预测文档中每个词的概率 

举个栗子

最低0.47元/天 解锁文章
糖公子没来过
关注
专栏目录
朴素贝叶斯算法简介
算来算去
03-21 1547
应用场景：已知，现有十位男士的数据如下图所示（1为“是”，0为“否”）：现有一位男士的属性为：不高（0）,富（1）,不帅（0），问：该男士已婚的概率更大还是未婚的概率更大？基本原理：贝叶斯公式：P(A|B) = P(B|A)P(A)/P(B)解释一下：我们现在要算B（不高，富，不帅）发生的前提下，A（结婚）和A（未婚）哪个的概率更大。代入公式：P(已婚|（不高，富，不帅）) = P(（不高，富，不...
毕竟眉湖六月中：朴素贝叶斯算法及实现
weixin_43770577的博客
06-06 291
 毕竟眉湖六月中，风光不与四时同。      图书馆路上随手拍的 正文：  我们都对贝叶斯理论了解一二，但啥是朴素贝叶斯？何谓朴素？见下图：  以下是朴素贝叶斯算法的流程：  但在实际的运用中，我们使用的数据集有可能是偏倚的或者数据集包含的实例较少。简单的来说，当我们通过掷筛子来统计每个点数的频率来判断这个骰子是否被动过手脚。当我们测试了六次，发现三点出现频率为0，那么就说这个骰子被动了手脚，显然这是不准确的，这就需要我们在掷筛子前，令所有点数出现的频率不为0，来避免此种状况的出现。  在朴素贝叶斯
数据挖掘（二）朴素贝叶斯
May the Force be with you
11-04 2063
指的是统计意义上的独立，即一个特征或者单词出现的可能性与它和其他单词相邻没有关系，比如说，“我们”中的“我”和“们”出现的概率与这两个字相邻没有任何关系。我们可以观察文档中出现的词，并把每个词作为一个特征，而每个词的出现或者不出现作为该特征的值，这样得到的特征数目就会跟词汇表中的词的数目一样多。我们可以观察文档中出现的词，并把每个词作为一个特征，而每个词的出现或者不出现作为该特征的值，这样得到的特征数目就会跟词汇表中的词的数目一样多。朴素贝叶斯是上面介绍的贝叶斯分类器的一个扩展，是用于文档分类的常用算法。
【机器学习】白话朴素贝叶斯算法
qq_41775769的博客
02-03 1017
朴素贝叶斯一、条件概率二、贝叶斯公式三、贝叶斯公式的应用四、朴素贝叶斯代码        朴素贝叶斯算法依据概率论中贝叶斯定理建立的模型，前提假设是各个特征之间相互独立（这也是**“朴素”的含义**），因为实际场景中多个特征一般存在相关性，所以针对特征之间存在强相关性的场景往往会分类不准。朴素贝叶斯算法最常见的应用场景是垃圾邮件分类。 一、条件概率        定义：
项目实战-朴素贝叶斯算法实现新闻分类源码及数据集.zip
04-17
1、内容概要：本资源主要基朴素贝叶斯算法实现新闻分类，适用于初学者学习文本分类使用。 2、新闻分类源码实现过程：将数据集划分为训练集和测试集；使用jieba模块进行分词，词频统计，停用词过滤，文本特征提取，将...
朴素贝叶斯算法实现(使用MNIST数据集)_Python环境
07-26
朴素贝叶斯算法是一种基于概率理论的分类方法，它的核心思想是假设各个特征之间相互独立，并且基于贝叶斯定理来计算一个实例属于某个类别的概率。在本项目中，我们将利用朴素贝叶斯算法处理MNIST数据集，这是一个...
项目实战-朴素贝叶斯算法实现垃圾邮件过滤源码及数据集.zip
04-17
1、内容概要：本资源主要基朴素贝叶斯算法实现垃圾邮件过滤分类，适用于初学者学习文本分类使用。 2、主要内容：邮件数据集email，email文件夹下有两个文件夹ham和spam，其中ham文件夹下的txt文件为正常邮件，spam...
基于朴素贝叶斯算法的垃圾邮件分类方法研究
05-19
朴素贝叶斯算法是机器学习领域中的一种常用算法，近年来在垃圾邮件分类领域中的应用也逐渐增加。本研究论文详细介绍了基于朴素贝叶斯的垃圾邮件分类过程，并使用五折交叉验证法对分类结果进行了评估。 朴素贝叶斯...
朴素贝叶斯算法分析天气的好坏
09-15
【朴素贝叶斯算法分析天气的好坏】 朴素贝叶斯算法是一种基于概率的分类方法，它的核心思想是利用贝叶斯定理以及特征之间的独立假设来进行分类预测。在这个任务中，我们将利用朴素贝叶斯算法来判断天气和环境条件...
机器学习及与智能数据处理Python使用朴素贝叶斯算法对垃圾短信数据集进行分类中的垃圾短信数据集
最新发布
05-29
机器学习及与智能数据处理Python使用朴素贝叶斯算法对垃圾短信数据集进行分类中的垃圾短信数据集。 朴素贝叶斯算法 输入：样本集合D=｛(x_1,y_1),(x_2,y_2)~(x_m,y_m); 待预测样本x; 样本标记的所有可能取值｛c_1,c_...
使用决策树和朴素贝叶斯算法对Adult数据集分类的源码
12-29
总之，理解和掌握决策树和朴素贝叶斯算法对于初学者和经验丰富的数据科学家都是至关重要的。它们不仅提供了对复杂数据的洞察力，也是许多更高级机器学习技术的基础。通过实际操作和应用，我们可以更好地理解和运用...
朴素贝叶斯算法.ppt
10-18
在人工智能领域，贝叶斯方法是一种非常具有代表性的不确定性知识表示和推理方法。
朴素贝叶斯算法的python实现方法
12-24
本文实例讲述了朴素贝叶斯算法的python实现方法。分享给大家供大家参考。具体实现方法如下： 朴素贝叶斯算法优缺点 优点：在数据较少的情况下依然有效，可以处理多类别问题 缺点：对输入数据的准备方式敏感 适用数据...
机器学习之朴素贝叶斯算法的详解（包含高斯朴素贝特斯、多项式朴素贝叶斯、伯努利朴素贝叶斯，以及相应算法的简单实现）
weixin_40247876的博客
06-02 7272
机器学习18_贝叶斯算法详解（2021.06.02） 一. 朴素贝叶斯算法 为什么需要朴素贝叶斯算法？ 比如说，我们想预测一个人究竟是否能够侥幸在空难中生还，那么我们就需要建立一个分类模型来学习我们的训练集。在训练集中，其中一个人的特征是30岁，男，普通舱，他最终在空难中去世了。训练完成后，当我们使用训练好的模型进行测试的时候，测试的目标的特征也是30岁，男，普通舱，那么我们的模型必然会给这个人打上去世的标签。然而事实却不一定为此，也许这个人正好坐在了离逃生口最近的位置，他得到了第一时间的救治而生存下来了
朴素贝叶斯的算法
weixin_44677406的博客
11-15 2892
1.朴素贝叶斯的算法 朴素贝叶斯（Naive Bayes）是一种简单经典的分类算法，它的经典应用案例为人所熟知：文本分类（如垃圾邮件过滤） 1.1 贝叶斯定理 条件概率： P(A|B)表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为：P(A|B)=P(AB)P(B) 贝叶斯定理便是基于条件概率，通过P(A|B)来求P(B|A)： 另外：上式中的分母P(A),可以根据全概率公式分解为： 1.2 特征条件独立假设 特征条件假设:假设每个特征之间没有联系 给定训
Python实现朴素贝叶斯算法详解及实例
"Python实现朴素贝叶斯算法的实例教程" 朴素贝叶斯算法是一种基于概率的分类方法，它的核心思想是假设特征之间相互独立，并且假设特征出现的概率可以根据先验知识（即训练数据）来预测。在机器学习领域，朴素贝叶斯...
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