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 = , 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).
其中贝叶斯定理:
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 = , 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).
其中贝叶斯定理: