【朴素贝叶斯】

数分面试加油

于 2022-12-31 17:17:37 发布

阅读量3.4k

点赞数

分类专栏：机器学习文章标签：算法 python

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_44910978/article/details/126558180

版权

朴素贝叶斯是一种基于贝叶斯定理和特征之间独立假设的分类算法。通过先验概率和后验概率计算，利用拉普拉斯平滑处理零概率问题。虽然独立假设限制了其准确性，但因其简单、鲁棒性好，常用于文本分类、邮件过滤等领域。

摘要由CSDN通过智能技术生成

朴素贝叶斯 = 贝叶斯定理 + 独立假设

一句话概括：朴素贝叶斯是基于贝叶斯定理，假设条件之间相互独立的分类算法，它以特征之间相互独立作为前提，学习输入和输出的联合概率分布，再基于学习到的模型，求出使得后验概率最大的输出。

一个个来解释加粗的概念。

假设有样本数据D = $d_{1},d_{2}...d_{i}$ , 这些样本具有n个特征F = $f_{1},f_{2}...f_{n}$ , 一共有m个类 C = $c_{1},c_{2}...c_{m}$ 。假设其中n个特征相互独立且随机，则联合概率为P(C, F), C的先验概率为P(C)，C的后验概率为P(C|F).

其中贝叶斯定理：

最低0.47元/天解锁文章

数分面试加油

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
【朴素贝叶斯】

朴素贝叶斯 = 贝叶斯定理 + 独立假设一句话概括：朴素贝叶斯是基于，的分类算法，它以特征之间相互独立作为前提，学习输入和输出的，再基于学习到的模型，求出使得最大的输出。一个个来解释加粗的概念。假设有样本数据D =, 这些样本具有n个特征F =, 一共有m个类 C =。假设其中n个特征相互独立且随机，则联合概率为P(C, F), C的先验概率为P(C)，C的后验概率为P(C|F).其中：。所以对于该样本数据,：朴素贝叶斯是基于的假设，这也是朴素贝叶斯为什么“朴素”的原因。
复制链接

扫一扫

专栏目录

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。