朴素贝叶斯分类器是一种基于贝叶斯定理和特征条件独立假设的分类方法。它假设特征之间相互独立，简化了模型复杂度。在训练集中，如果某些特征和类别的组合未出现，为了避免概率为0的问题，通常会进行概率平滑。算法在处理高维数据时效率较高，但假设的独立性在实际应用中可能不成立，影响准确性。
简介
朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)通过输出的结果反推生成结果的模型概率。
优点：有着稳定的分类效率，同时所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。
限制：NBC模型假设参数之间相互独立互不影响，这个假设在实际应用中往往是不成立的，因此当建模对象的参数有明显的共线性问题时，朴素贝叶斯方法不太适用。
算法原理
对于给定的训练集，以特征词之间独立作为前提假设，学习从输入到输出的联合概率分布，再基于学习到的模型，输入x求出使得后验概率最大的输出y 。
设有样本数据集
，对应样本数据的特征属性集为
类变量为
，即
可以分为
类别。其中
相互独立且随机，则
的先验概率
最低0.47元/天 解锁文章
6260
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
