朴素贝叶斯模型(NAIVE BAYESIAN MODEL)

本文介绍了朴素贝叶斯模型的基础知识,包括数学公式、算法原理和流程。朴素贝叶斯假设特征之间相互独立,简化了贝叶斯分类算法。文章详细阐述了高斯朴素贝叶斯、伯努利朴素贝叶斯和多项式朴素贝叶斯三种常见模型,解释了如何计算类别概率,并展示了预测方法。
摘要由CSDN通过智能技术生成

朴素贝叶斯方法是在贝叶斯算法的基础上进行了相应的简化,即假定给定目标值时属性之间相互条件独立。也就是说没有哪个属性变量对于决策结果来说占有着较大的比重,也没有哪个属性变量对于决策结果占有着较小的比重。虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果,但是在实际的应用场景中,极大地简化了贝叶斯方法的复杂性。

 

数学基础公式知识总结:

先验概率P(A):在不考虑任何情况下,A事件发生的概率

条件概率P(B|A):A事件发生的情况下,B事件发生的概率
后验概率P(A|B):在B事件发生之后,对A事件发生的概率的重新评估


全概率:如果A和A ' 构成样本空间的一个划分,那么事件B的概率为:A和A ' 的概
率分别乘以B对这两个事件的概率之和。

基于条件概率的贝叶斯定律数学公式:

算法原理:

朴素贝叶斯(Naive Bayes࿰

  • 0
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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