AI算法
文章平均质量分 88
「已注销」
这个作者很懒,什么都没留下…
展开
-
朴素贝叶斯分类器实现(目前缺少数据集)
朴素贝叶斯分类器贝叶斯公式假设对于某个数据集,随机变量C表示样本为C类的概率,F1表示测试样本某特征出现的概率,套用基本贝叶斯公式,则如下所示:上式表示对于某个样本,特征F1出现时,该样本被分为C类的条件概率举例来说,有个测试样本,其特征F1出现了(F1=1),那么就计算P(C=0|F1=1)和P(C=1|F1=1)的概率值。前者大,则该样本被认为是0类;后者大,则分为1类。几个相关概念:先验概率:P(C=0)、P(C=1),即从已有的训练集中计算出来的各类别出现的概率。证据:即.原创 2020-07-21 14:18:07 · 447 阅读 · 0 评论 -
朴素贝叶斯算法学习笔记
朴素贝叶斯(Naive Bayes)算法是经典的机器学习算法之一,本篇博文主要用于记录学习该算法从零入门的笔记,如果有错误的地方也请大家指正。算法的基本原理朴素贝叶斯分类器(NBC)发源于古典数学理论,有着坚实的数学基础以及稳定的分类效率。首先介绍一下条件概率,条件概率描述事件A在另一个事件B已经发生的条件下发生的概率,记为P(A | B),A和B可能是相互独立的事件,也可能不是接下来说到贝叶斯定理,贝叶斯定理是关于随机事件A和B的条件概率的定理P(A∣B)=P(A⋂B)P(B)=P(B∣A)∗P(原创 2020-05-12 21:20:48 · 273 阅读 · 0 评论