机器学习算法笔记(02)：朴素贝叶斯

最新推荐文章于 2024-07-18 00:00:00 发布
最新推荐文章于 2024-07-18 00:00:00 发布
阅读量144 收藏
点赞数
分类专栏： 机器学习算法笔记 文章标签： 机器学习 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44654458/article/details/105717640
版权

机器学习算法笔记(02)：朴素贝叶斯

  1. 朴素贝叶斯是典型的生成学习方法

生成方法：用训练数据学习 P(X,Y) 和 P(Y)的估计，得到联合概率分布： P(X, Y) = P(Y)P(X | Y)

  1. 朴素贝叶斯法对条件概率分布做条件独立性的假设，由于这是一个较强的假设，所以朴素贝叶斯的学习与预测大为简化，故高效且易实现，但它的分类的性能不一定高。

条件独立性：用于分类的特征在类已确定的条件下都是条件独立的。

  1. 贝叶斯算法利用贝叶斯定理与学到的联合概率模型进行分类预测
pickle Rick
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习笔记之朴素贝叶斯
城南花开的专栏
04-15 595
朴素贝叶斯为什么叫朴素贝叶斯？
机器学习算法（二）：朴素贝叶斯（Naive Bayes）
God58991的博客
12-27 630
目录 一、朴素贝叶斯算法 二、鸢尾花算法实战--贝叶斯分类 一、朴素贝叶斯算法 朴素贝叶斯算法（Naive Bayesian algorithm) 是应用最为广泛的分类算法之一。 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。.
机器学习第二周-朴素贝叶斯
蜂鸟的学习笔记
11-23 233
机器学习第二周-朴素贝叶斯 本周学习内容 分类问题：朴素贝叶斯 分类问题：逻辑回归 第四章：基于概率论的分类方法： 朴素贝叶斯 关于贝叶斯 贝叶斯分类是一类分类算法的总称，这类算法是以贝叶斯定理为基础的。朴素贝叶斯中的朴素，是在整个形式化过程只做最原始最简单的假设。朴素贝叶斯可以用于分档分类领域。 贝叶斯理论 贝叶斯决策理论的核心思想是最高概率决策。我们现在用p1（x，y）表示数据点（x，y）...
如何理解朴素贝叶斯法中的“特征条件独立”
MD
06-11 5539
文章目录介绍参考文献 介绍 朴素贝叶斯法对条件概率分布做了条件独立性假设。那么什么叫条件独立性假设呢？它是说 用于分类的特征 在类确定的条件下 都是 条件独立 的。 我们不能将条件独立性假设和独立性假设划为等号。 以下面的一个简单的贝叶斯网为例，c 是标签，a、b 是特征。 我们知道： p(a,b,c)=p(c)p(a∣c)p(b∣c)p(a,b,c)=p(c)p(a|c)p(b|c)p(a,b,c)=p(c)p(a∣c)p(b∣c) 当 c 给定的时候，可得： p(a,b∣c)=p(a,b,c)p(c)
朴素贝叶斯分类器
weixin_42232024的博客
11-12 838
目录 1 贝叶斯决策论 1.1 后验概率 1.2 贝叶斯定理 2. 朴素贝叶斯分类算法详解 3.例题分析 4. 朴素贝叶斯分类的优缺点   1 贝叶斯决策论 贝叶斯决策论（Bayesian decision theory）是概率框架下实施决策的基本方法。对分类任务来说，在所有相关概率都已知的理想情况下，贝叶斯决策轮考虑如何基于这些概率和误判损失来选择最优的类别标记。 1.1 后验概率...
第4章 朴素贝叶斯
YangYaYan的博客
10-29 258
第4章 朴素贝叶斯 1．朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布 P(X,Y)P(X,Y)P(X,Y)，然后求得后验概率分布P(Y∣X)P(Y|X)P(Y∣X)。具体来说，利用训练数据学习P(X∣Y)P(X|Y)P(X∣Y)和P(Y)P(Y)P(Y)的估计，得到联合概率分布： P(X,Y)＝P(Y)P(X∣Y)P(X,Y)＝P(Y)P(X|Y)P(X,Y)＝P(Y)P(...
复现经典：《统计学习方法》第 4 章 朴素贝叶斯
fengdu78的博客
11-05 276
本文是李航老师的《统计学习方法》[1]一书的代码复现。作者：黄海广[2]备注：代码都可以在github[3]中下载。我将陆续将代码发布在公众号“机器学习初学者”，敬请关注。代码目录第 1...
《机器学习算法笔记 v2.0》
01-12
《机器学习算法笔记 v2.0》是一本深入探讨机器学习算法的著作，旨在帮助读者理解算法的基本原理和推导过程。笔记的作者Xinran Wei在2022年8月7日更新了这个版本，增加了更多内容和深度。笔记的结构清晰，适合有一定...
朴素贝叶斯算法学习笔记2
03-23
朴素贝叶斯算法是一种经典的机器学习算法，它的应用范围非常广泛，涵盖了自然语言处理、信息检索、数据挖掘等多个领域。朴素贝叶斯算法的优点是简单、易于实现、计算效率高，且对数据的要求不高，但它也存在一些缺陷...
一步一步机器学习（三）：生成式学习算法
01-07
生成式学习算法与判别式学习在底层逻辑上有很大区别。生成式学习算法对于特征分布的建模，其思想是“知其然，也知其所以然”，采用贝叶斯推断（Bayes Rule）作为算法核心其实更体现出这是一种人工指导学习规则的学习...
朴素贝叶斯学习笔记文档
08-03
机器学习入门。朴素贝叶斯学习过程中遇到的问题，记录下来，可以说是学习笔记，希望能给大家带来帮助。由于手写难免会有一些错误察觉不到，广泛讨论，共同进步。
朴素贝叶斯算法学习笔记1
03-23
朴素贝叶斯算法是机器学习中的一种常用算法，它的基础是概率问题，分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。朴素...
朴素贝叶斯分类和预测算法的原理及实现
热门推荐
工作点滴
04-15 1万+
决策树和朴素贝叶斯是最常用的两种分类算法，本篇文章介绍朴素贝叶斯算法。贝叶斯定理是以英国数学家贝叶斯命名，用来解决两个条件概率之间的关系问题。简单的说就是在已知P(A|B)时如何获得P(B|A)的概率。朴素贝叶斯（Naive Bayes）假设特征P(A)在特定结果P(B)下是独立的。   1.   概率基础： 在开始介绍贝叶斯之前，先简单介绍下概率的基础知识。概率是某一结
统计学习方法笔记（四）
bujidaodxbc的博客
02-11 130
朴素贝叶斯法 （naive Bayes） 基于贝叶斯定理和特征条件独立假设的分类方法。 对于给定的训练数据集，首先基于特征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。 朴素贝叶斯法的学习和分类 基本方法 朴素贝叶斯法通过训练数据集学习联合概率分布P(X,Y)。具体地，学习以下先验概率分布及条件概率分布。 朴素贝叶斯法对条件概率分...
计算机毕业设计Django+Vue.js考研推荐系统 考研分数线预测 中公考研爬虫 混合神经网络推荐算法 考研可视化 机器学习 深度学习 大数据毕业设计
最新发布
从业计算机毕业设计10年，打算用一年时间分享10年毕设经验！
07-18 944
计算机毕业设计Django+Vue.js考研推荐系统 考研分数线预测 中公考研爬虫 混合神经网络推荐算法 考研可视化 机器学习 深度学习 大数据毕业设计
【机器学习】马尔可夫模型与隐马尔科夫模型
m0_53700832的博客
07-15 1274
马尔可夫模型（Markov Model）是一种用于描述系统状态随时间变化的数学模型。通俗地说，它是一种预测未来状态的工具，假设未来状态只依赖于当前状态，而不依赖于过去的状态。这种假设被称为“马尔可夫性”或“无后效性”。马尔可夫模型是一种非常有用的工具，用于描述和预测系统状态随时间变化的情况。关键是只考虑当前状态，而不考虑历史状态。这使得模型简单且易于计算，适用于许多实际问题，如天气预测、股票市场分析、语言处理等。初始状态分布π\piπ：描述系统初始时刻各状态的概率。状态转移概率矩阵AAA。
机器学习 第五章
zxsdss的博客
07-16 950
BP算法的目标是最小化训练集D上的累积误差，基于累积误差最小化的更新规则，就可以得到累积误差逆传播算法，即每次读取全部的数据集一遍，进行一轮学习，从而基于当前的累积误差进行权值调整，其参数更新的频率相比标准BP算法低了很多。基于梯度的搜索是使用最广泛的参数寻优方法，梯度下降法的主要思想就是沿着负梯度方向去搜索最优解，负梯度方向是函数值下降最快的方向，若迭代到某处的梯度为0，则表示达到一个局部最小，参数更新停止。机器学习中的神经网络指的是神经网络学习，即机器学习与神经网络两个学科领域的交叉部分。
特征映射(机器学习)
2303_77275067的博客
07-16 1031
注意这里的j是从1开始的，我们原来的X多加了一列1(索引为0)，这里从1开始的，没有计算哪个常数。我们这样看，至少需要达到2次以及以上的曲线才可以进行比较准确的分类。有时数据的分类并不像我们想象的那么简单，需要高次曲线才能分类。这里面的最后一项用来调节参数，防止出现过拟合和欠拟合。因为非线性的很容易进行过拟合，所以需要进行正则化。现在的问题是如何将已经有的两列转化为这么6列？我们先看一下最后得到的损失函数的形式。比如如果已知数据有3列(两列特征)那么什么是正则化呢？
异常检测算法
m0_53881899的博客
07-15 478
异常检测算法
机器学习算法详解：从朴素贝叶斯到GDBT
"北京邮电大学学生整理的机器学习算法笔记，包括朴素贝叶斯、SVM、决策树等多个常用算法的概述与解析。" 在机器学习领域，掌握各种算法的思想是至关重要的。这篇笔记详细梳理了多个常见的机器学习算法，帮助读者...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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