朴素贝叶算法讲解

http://blog.csdn.net/amds123/article/details/70173402

转载于:https://www.cnblogs.com/mypath/p/8510148.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
朴素贝叶斯模型(Naive Bayes Model)是一种基于贝叶斯定理的概率分类算法。它的基本思想是给出一组特征,然后基于这些特征来确定这个数据实例属于某个类别的概率。所谓朴素,是指它假设特征之间相互独立,这样就可以简化模型并降低计算复杂度。 贝叶斯定理是一个基本的概率公式,它用于计算在已知某个条件下,另一个条件的概率。贝叶斯定理的基本形式如下: $P(A|B) = \frac{P(B|A)P(A)}{P(B)}$ 其中,$P(A|B)$ 表示在 B 发生的情况下 A 发生的概率,$P(B|A)$ 表示在 A 发生的情况下 B 发生的概率,$P(A)$ 和 $P(B)$ 分别表示 A 和 B 发生的概率。 在朴素贝叶斯模型中,我们将需要分类的实例表示为一个向量,其中每个元素表示实例的某个特征。假设有 $n$ 个特征,那么这个向量可以表示为: $x = (x_1, x_2, ..., x_n)$ 假设有 $k$ 个类别,我们要确定实例属于哪个类别。根据贝叶斯定理,我们需要计算每个类别 $c_i$ 的后验概率 $P(c_i|x)$,然后选择概率最大的类别作为实例的分类结果。根据朴素贝叶斯模型的假设,特征之间相互独立,因此可以将后验概率表示为: $P(c_i|x) = \frac{P(x|c_i)P(c_i)}{P(x)}$ 其中,$P(x|c_i)$ 表示在类别 $c_i$ 下特征向量 $x$ 发生的概率,$P(c_i)$ 表示类别 $c_i$ 的先验概率,$P(x)$ 表示特征向量 $x$ 发生的概率。 假设所有特征都是离散的,那么在计算 $P(x|c_i)$ 时,可以采用朴素贝叶斯模型中的多项式模型;如果特征是连续的,可以采用高斯朴素贝叶斯模型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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