贝叶斯模型基于条件概率独立假设，常用于文本分类。算法通过计算对象在各类别中的概率，将其分配到概率最高的类别。尽管朴素贝叶斯模型假设特征独立，但经过改进降低了对先验概率的依赖。模型通过计算P(Ci/D)=P(D/Ci)*P(Ci)/P(D)，简化为P(D/Ci)的乘积，便于预测文章类别。
贝叶斯模型 基于条件概率相互独立的假设， 是一种基于纯统计的方法。它经常被应用于文本分类。该模型的算法主要是通过计算某对象Obj在类别Ci(i=0,1,2...n，一共有n类)中的概率，将Obj划分到概率最大的类别中。该模型应用起来较简便，计算结果也还不错。后续经过人们的研究，将朴素贝叶斯模型进行了改善，以降低该模型对先验概率的依赖。
下面用一个简单的例子来说明贝叶斯模型的原理：
例如：这里有一批文章，我们需要将它们分发到所属的类别中。假设一共有n个类。每篇文章有m个特征。
P(Ci/D)=P(D/Ci)*P(Ci)/P(D)
其中Ci表示第i类，D表示某篇文章
P(Ci/D)表示文章D属于Ci类别的概率
根据概率公式，可将 P(Ci/D)转换成以上形式。假设类别是平均分布的，为每类计算
最低0.47元/天 解锁文章
1804
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
