数据分析面试【机器学习】总结之-----朴素贝叶斯常见面试题整理

本文详细梳理了朴素贝叶斯算法的原理、为何被称为“朴素”、与判别式模型的区别、工作流程、优缺点,以及在数据挖掘和分析中的应用。尽管其假设条件简化,但在实际问题中仍能取得较好效果,尤其在文本分类和情感分析等领域。同时,文章探讨了如何处理概率为0的问题和模型的方差特点。
摘要由CSDN通过智能技术生成

阅读之前看这里👉:博主是正在学习数据分析的一员,博客记录的是在学习过程中一些总结,也希望和大家一起进步,在记录之时,未免存在很多疏漏和不全,如有问题,还请私聊博主指正。
博客地址:天阑之蓝的博客,学习过程中不免有困难和迷茫,希望大家都能在这学习的过程中肯定自己,超越自己,最终创造自己。

1、朴素贝叶斯原理

朴素贝叶斯采用属性条件独立性的假设,对于给定的待分类观测数据 X X X,计算在 X X X出现的条件下,各个目标类出现的概率(即后验概率),将该后验概率最大的类作为 X X X所属的类。
而计算后验概率的贝叶斯公式为: p ( A ∣ B ) = [ p ( A ) × p ( B ∣ A ) ] / p ( B ) p(A|B) =[ p(A)\times p(B|A)]/p(B) p(AB)=[p(A)×p(BA)]/

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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