什么是参数模型(LR)与非参数模型(SVM)

什么是参数模型(LR)与非参数模型(SVM)?
在统计学中,参数模型通常假设总体(随机变量)服从某一个分布,该分布由一些参数确定(比如正太分布由均值和方差确定),在此基础上构建的模型称为参数模型;非参数模型对于总体的分布不做任何假设,只是知道总体是一个随机变量,其分布是存在的(分布中也可能存在参数),但是无法知道其分布的形式,更不知道分布的相关参数,只有在给定一些样本的条件下,能够依据非参数统计的方法进行推断。
在这里插入图片描述

链接:https://www.jianshu.com/p/dce9f1af7bc9
https://blog.csdn.net/taoqick/article/details/102644413
https://www.deeplearn.me/1854.html

  • 3
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于贝叶斯、支持向量机(SVM)和逻辑回归(LR)的垃圾邮件分类可以分为以下几个步骤: 首先,我们需要收集训练数据集,该数据集包括一些已标记为垃圾邮件和非垃圾邮件的样本。对于贝叶斯方法,我们需要统计每个单词在垃圾邮件和非垃圾邮件中出现的频率,并计算出每个单词在垃圾和非垃圾邮件中的条件概率。对于SVMLR方法,我们需要将邮件的特征提取为数值向量,如词频、字符数、链接数量等。 在训练阶段,对于贝叶斯方法,我们根据训练集中垃圾邮件和非垃圾邮件的词频统计数据,计算出每个单词出现的概率。对于SVMLR方法,我们使用训练集的特征向量和相应的标签进行模型训练。 在测试阶段,对于贝叶斯方法,我们根据训练阶段计算得到的单词概率,结合测试邮件的单词频率来计算垃圾和非垃圾邮件的条件概率,并根据概率进行分类。对于SVMLR方法,我们使用训练阶段得到的模型对测试集进行预测,并根据预测结果判断邮件是否为垃圾邮件。 贝叶斯方法基于贝叶斯定理,通过计算单词在垃圾和非垃圾邮件中的概率来进行分类。SVM方法通过在高维空间中找到一个最优的超平面,实现垃圾邮件和非垃圾邮件的分割。LR方法利用对数几率函数来建立一个线性模型,用于将邮件分类为垃圾或非垃圾。 在实际应用中,这些方法在垃圾邮件分类中表现良好,但也存在一些限制。贝叶斯方法对于单词顺序不敏感,如果测试邮件中存在新的单词,将无法给出准确的分类。SVMLR方法对于特征选择较为敏感,需要在特征提取阶段精心选择合适的特征。此外,模型的性能还受到数据集的大小和质量等因素的影响。综上所述,选择适合的方法和优化相关参数是确保垃圾邮件分类准确性的关键。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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