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。
目录
-
- 1、朴素贝叶斯原理
- 2、朴素贝叶斯为什么“朴素naive”?
- 3、朴素贝叶斯属于生成式模型,与判别式模型(LR)区别是?
- 4、写出全概率公式&贝叶斯公式
- 5、最大似然估计和最大后验概率的区别?
- 6、朴素贝叶斯的工作流程是怎么样的
- 7、朴素贝叶斯的优缺点
- 8、“朴素”是朴素贝叶斯在进行预测时候的缺点,那么有这么一个明显的假设缺点在,为什么朴素贝叶斯的预测仍然可以取得较好的效果?
- 9、朴素贝叶斯中有没有超参数可以调?
- 10、你知道朴素贝叶斯有哪些应用吗?
- 11、你觉得朴素贝叶斯对异常值敏不敏感?
- 12、在估计条件概率P(X|Y)时出现概率为0的情况怎么办?
- 13、朴素贝叶斯是高方差还是低方差模型?
- 总结
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(A∣B)=[p(A)×p(B∣A)]/