Native Bayes

最新推荐文章于 2022-09-16 15:00:35 发布

pao___pao

最新推荐文章于 2022-09-16 15:00:35 发布

阅读量483

点赞数

分类专栏：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/pao___pao/article/details/87896936

版权

机器学习专栏收录该内容

6 篇文章 0 订阅

订阅专栏

$P(c|{\color{Blue} x}) = \frac{P(c)P({\color{Blue} x}|c)}{P({\color{Blue} x})}= \frac{P(c)}{P({\color{Blue} x})}\prod _{i=1}^{d}P(x_i|c)$

d为属性数目，xi为x在第i个属性上的取值。对于特定样本，分母是相同的，取分子最大的类别.

$P(c) = \frac{|D_c|}{|D|}$

对于离散属性:

$P(x_i|c) = \frac{|D_{c,x_i}|}{|D_c|}$

对于连续属性(假设概率密度函数 $P(x_i|c)$ 服从正态分布， $\mu$ 和 $\sigma^2$ 分别为c类样本在第i个属性上取值的均值和方差)：

$P(x_i|c) = \frac{1}{\sqrt{2\pi}\sigma}exp(-\frac{(x_i-\mu_{c,i})^2}{2\sigma_{c,i}^2})$

为了避免其他属性携带的信息被训练集中未出现的属性值抹去，在估计概率值时通常要进行平滑，即拉普拉斯修正。其中N为训练集D中可能的类别数，Ni表示第i个属性可能的取值数

$P(c) = \frac{|D_c|+1}{|D|+N}$ ， $P(x_i|c) = \frac{|D_{c,x_i}|+1}{|D_c|+N_i}$

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Native Bayes

d为属性数目，xi为x在第i个属性上的取值。对于特定样本，分母是相同的，取分子最大的类别.对于离散属性:对于连续属性(假设概率密度函数服从正态分布，和分别为c类样本在第i个属性上取值的均值和方差)：为了避免其他属性携带的信息被训练集中未出现的属性值抹去，在估计概率值时通常要进行平滑，即拉普拉斯修正。其中N为训练集D中可能的类别数，Ni表示第i个属性可能的取值数，...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。