高斯密度的贝叶斯分类

本文介绍了如何使用贝叶斯分类方法处理连续值数据,特别是通过高斯概率密度函数来计算样本属于各类别的概率。在Python程序中,首先读取数据并划分训练集和测试集,然后计算每类数据的均值和标准差。通过对每个特征的高斯概率密度计算,确定样本所属类别,最后评估分类准确率,结果显示在76%±5%的范围内。
摘要由CSDN通过智能技术生成

这里说的也就是对连续值得贝叶斯分类
对于离散的情况可产考:
贝叶斯理论基础
贝叶斯邮件分类

这里也是假设各个特征之间是互相独立的

f(x,μ,σ)=12πσexp(xμ)22σ2

说明: x 是你要输入的某个特征
μ 是对于某类的情况下,该特征所以数据的均值
σ 是在对于某类的情况下,该特征所有数据的标准差

如果数据的各个特征以此是 (x1

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