机器学习(五):朴素贝叶斯法

本文介绍了朴素贝叶斯法的原理,包括条件概率、贝叶斯公式、后验概率最大化的来源以及极大似然估计在参数估计中的应用。朴素贝叶斯法假设特征条件独立,通过学习训练数据集得到联合概率分布,并用于预测输入的类别。
摘要由CSDN通过智能技术生成

朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集,首先基于条件独立假设学习输入/输出的联合概率分布;然后基于此模型,对于给定的输入x,利用贝叶斯定理求出后验概率最大的输出y。朴素贝叶斯法实现简单,学习与预测的效率都和高,是一种常用的方法。

什么是条件概率?

所谓"条件概率"(Conditional probability),就是指在事件B发生的情况下,事件A发生的概率,用P(A|B)来表示。

根据文氏图,可以看到在事件B发生的情况下,事件A发生的概率就是P(A∩B)除以P(B)。
即:P(A|B)=P(A∩B) / P(B),--> P(A∩B) = P(A|B)P(B),同理,P(A∩B) = P(B|A)P(A),所以,P(A|B)P(B) = P(B|A)P(A)
所以:P(A|B) = P(B|A)P(A) / P(B),这就是贝叶斯公式。

朴素贝叶斯原理

朴素贝叶斯法通过训练数据集学习联合概率分布P(X,Y)。首先学习先验概率分布条件概率分布,然后相乘得到联合概率分布。

先验概率分布:

条件概率分布:

这里 表示特征向量,

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