svc预测概率_机器学习朴素贝叶斯 SVC对新闻文本进行分类

该博客介绍了如何利用朴素贝叶斯分类器和SVC(Support Vector Classifier)对新闻文本进行分类。首先解释了贝叶斯定理和朴素贝叶斯分类器的工作原理,接着详细描述了数据预处理、特征向量化、模型训练、预测及模型评估的步骤。通过使用sklearn库中的fetch_20newsgroups数据集,应用TfidfVectorizer进行特征提取,并利用LinearSVC进行分类。最终,SVC模型在测试集上的准确率为0.9412。
摘要由CSDN通过智能技术生成

朴素贝叶斯分类器模型(Naive Bayles)

Model basic introduction:

朴素贝叶斯分类器是通过数学家贝叶斯的贝叶斯理论构造的,下面先简单介绍贝叶斯的几个公式:

先验概率: P(X) or P(Y)

条件概率: P(X|Y)=P(XY)\P(Y)  => P(XY)=P(X|Y)*P(Y)   ①

后验概率: P(Y|X)=P(YX)\P(X)  结合①式可以推导=> P(Y|X)=P(X|Y)*P(Y)\P(X)

朴素贝叶斯分类器:它可以计算数据的每一个维度 被分到某一个类的概率。倘若一个数据有n个维度的特征,用X={x1,x2,x3,x4,x5,….,xn}来表示,类别有K个,用Y={y1,y2,y3,y4,y5,…,yk}来表示。那么X被分到i类的概率就可以用一个公式来表示:

P(Y=y(i) | X) = P(X | Y=y(i) ) *P( Y=y(i) ) \ P(X)

朴素贝叶斯的目的就是找到向量X属于最大概率的类别,所以 argmax P(Y|X)=argmaxP(x1,x2,x3,x4…|Y)*P(Y)   因为朴素贝叶斯的每个特征假设都是独立的,所以将每个特征进行单独计算。

利用SVC分类器对文本进行分类:

对文本单词进行统计,统计出所有单词(去除重复的),然后将这些单词作为特征向量,将行数作为维度。

①   :分割数据集

②   :使用特征向量化库对文本进行 特征向量转化(将文本转化成多维度的特征向量)

③   :初始化SVC模型,用分割好的训练数据,训练模

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