本文介绍了朴素贝叶斯方法，它是一个生成模型，基于后验概率最大化的原理进行预测。在实际计算中，通过拉普拉斯平滑处理数据。文章还探讨了朴素贝叶斯与贝叶斯估计的区别，并提供了相关代码实现。
朴素贝叶斯需要注意的几点：
- 它是生成模型，虽然在实现时是通过计算 P ( X ∣ Y ) P ( Y ) P(X|Y)P(Y) P(X∣Y)P(Y)求出各个label对应的值然后将结果最大的label作为预测label，这是因为计算过程中忽略了 P ( X ) P(X) P(X)的作用。实质上计算的依据是：
P ( Y ∣ X ) = P ( X , Y ) P ( X ) = P ( X ∣ Y ) P ( Y ) P ( X ) P(Y|X) =\frac {P(X,Y)} {P(X)}=\frac {P(X|Y)P(Y)} {P(X)} P(Y∣X)=P(X)P(X,Y)
最低0.47元/天 解锁文章
扫一扫
1141
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
