![v2-73ae783b27061d33874caac57bb70fb1_1440w.jpg?source=172ae18b](http://img-02.proxy.5ce.com/view/image?&type=2&guid=f4ecfcba-4b2f-eb11-8da9-e4434bdf6706&url=https://pic4.zhimg.com/v2-73ae783b27061d33874caac57bb70fb1_1440w.jpg?source=172ae18b)
上一篇,整理了一下关于贝叶斯算法的理论知识:
橘猫吃不胖:贝叶斯分类算法小结(理论)zhuanlan.zhihu.com![v2-73ae783b27061d33874caac57bb70fb1_180x120.jpg](http://img-01.proxy.5ce.com/view/image?&type=2&guid=f4ecfcba-4b2f-eb11-8da9-e4434bdf6706&url=https://pic2.zhimg.com/v2-73ae783b27061d33874caac57bb70fb1_180x120.jpg)
这一篇看看在sklearn中如何使用
sklearn中,关于贝叶斯算法的介绍:https://scikit-learn.org/stable/modules/naive_bayes.html#gaussian-naive-bayes
顺便找了中文的介绍:https://sklearn.apachecn.org/docs/master/10.html
朴素贝叶斯模型,是机器学习中常用的算法之一,尤其是文本分类的应用场景,像文档分类和垃圾邮件过滤。
朴素贝叶斯是一种构建分类器的简单方法。该分类器模型会给问题实例分配用特征值表示的类标签,类标签取自有限集合。所有朴素贝叶斯分类器都假定样本每个特征与其他特征都不相关。
sklearn中的贝叶斯算法有几种类型:高斯朴素贝叶斯、多项式分布朴素贝叶斯、补充朴素贝叶斯、伯努利朴素贝叶斯,特征不同的概率分布,决定了使用哪种模型更好
朴素贝叶斯模型中,朴素的意义,是假设特征之间相互独立
高斯朴素贝叶斯常用于,连续性变量,比如身高、长度等
鸢尾花数据集,就可以使用高斯朴素贝叶斯
from
![v2-cb8f707b42e57a24a0e45fb402f70643_b.jpg](http://img-02.proxy.5ce.com/view/image?&type=2&guid=f4ecfcba-4b2f-eb11-8da9-e4434bdf6706&url=https://pic4.zhimg.com/v2-cb8f707b42e57a24a0e45fb402f70643_b.jpg)
当特征值是离散的时候,可以使用多项式朴素贝叶斯
伯努利模型,也用于离散特征的情况,但每个特征的取值,只能是0,1
下面参考的博客中,都有代码实现啊什么的,但是目前我还没法很好地理解,暂时不搞,以后再理解了之后再看
参考的几篇博客:
朴素贝叶斯算法原理小结 - 刘建平Pinard - 博客园
一步步教你轻松学朴素贝叶斯模型算法理论篇1 - 伏草惟存 - 博客园