机器学习之朴素贝叶斯算法详解

本文详细介绍了朴素贝叶斯算法,包括概率基础知识、模型流程、拉普拉斯平滑以及半朴素贝叶斯分类器的概念。通过实例解释了条件概率、全概率公式和贝叶斯公式,并探讨了朴素贝叶斯在处理零概率问题时的拉普拉斯平滑方法。同时,文章还提及了朴素贝叶斯与LR的区别,以及朴素贝叶斯的优缺点和面试中可能遇到的问题。
摘要由CSDN通过智能技术生成

一、 朴素贝叶斯

1、概率基础知识:

条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。 条件概率表示为: P(A|B), 读作“在B条件下A的概率”。
若只有两个事件A, B, 那么:
P ( A B ) = P ( A ∣ B ) P

评论 4
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

打赏作者

平原2018

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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