监督学习：朴素贝叶斯

没头脑的无痛学习记录

已于 2022-03-31 19:29:28 修改

阅读量1.5k

点赞数 2

文章标签：机器学习人工智能

于 2022-03-31 19:26:04 首次发布

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/qq_38791613/article/details/123797497

版权

朴素贝叶斯分类器的推导

摘要由CSDN通过智能技术生成

概述

作为一种分类算法，生成方法朴素贝叶斯与判别方法思路是不一样的。简单地理解，朴素贝叶斯首先找到特征X和输出Y的联合概率 $P(X,Y)$ ，接着根据贝叶斯公式 $P(Y|X)=\frac{P(X,Y)}{P(X)}$ 求得预测类别。

贝叶斯方法的思想可以概括为：数据+先验概率=后验概率。后验概率是我们要得到的概率分布。而在此基础上，朴素贝叶斯有一个“朴素”、简单的假设，即认为各个特征是条件独立的，这是一个较强的假设，但是在实际较复杂的场景中也能取得较好的结果。

由于自己此前对这一块知识的理解一直不够透彻，想在这里尽量详细地推导一下朴素贝叶斯分类器的原理。为了更好地理解，先捋一下全概率公式和贝叶斯公式这些先验知识，最后给出朴素贝叶斯分类器的目标函数。

一、全概率公式

设事件 $Y_{1},Y_{2},...,Y_{K}$ 是样本空间的一个完备事件组（即两两之间互不相交，且并集是全集）,且 $P(Y_{k})> 0 (k=1,2,...,K)$ 。那么任意一个事件 $X$ 可以根据 $Y_{k}$ 进行分割，如下图所示：

事件 $X$ 发生的概率表示为：

$P(X)=P(XY_{1})+P(XY_{2})+..+P(XY_{K})$

由条件概率公式可以知道，

$P(XY_{1})=P(X)P(Y_{1}|X) =P(Y_{1})P(X|Y_{1})$

因此事件 $X$ 发生的概率写为下式

最低0.47元/天解锁文章

没头脑的无痛学习记录

关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
监督学习：朴素贝叶斯

朴素贝叶斯分类器的推导
复制链接

扫一扫

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。