机器学习算法（二）: 朴素贝叶斯(Naive Bayes)

最新推荐文章于 2024-02-23 17:25:46 发布
最新推荐文章于 2024-02-23 17:25:46 发布
阅读量634 收藏 1
点赞数
文章标签： 算法 机器学习 人工智能 python
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_45560661/article/details/111396860
版权
本文详细介绍了朴素贝叶斯算法，包括条件概率、贝叶斯公式及其应用。朴素贝叶斯算法是基于贝叶斯定理和特征条件独立假设的分类方法，常用于文本分类、垃圾邮件过滤等领域。文章通过实例解析了高斯朴素贝叶斯和离散特征的朴素贝叶斯，并探讨了算法的优缺点。
摘要由CSDN通过智能技术生成

机器学习算法（二）: 朴素贝叶斯(Naive Bayes)

1. 实验室介绍

1.1 实验环境

1. python3.7
2. numpy >= '1.16.4'
3. sklearn >= '0.23.1'

1.2 朴素贝叶斯的介绍

朴素贝叶斯算法（Naive Bayes, NB) 是应用最为广泛的分类算法之一。它是基于贝叶斯定义和特征条件独立假设的分类器方法。由于朴素贝叶斯法基于贝叶斯公式计算得到，有着坚实的数学基础，以及稳定的分类效率。NB模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。当年的垃圾邮件分类都是基于朴素贝叶斯分类器识别的。

什么是条件概率，我们从一个摸球的例子来理解。我们有两个桶：灰色桶和绿色桶，一共有7个小球，4个蓝色3个紫色，分布如下图：

从这7个球中，随机选择1个球是紫色的概率p是多少？选择过程如下：

  1. 先选择桶
  2. 再从选择的桶中选择一个球

p ( 球 = 紫 色 ) = p ( 选 择 灰 桶 ) ⋅ p ( 从 灰 桶 中 选 择 紫 色 ) + p ( 选 择 绿 桶 ) ⋅ p ( 从 灰 桶 中 选 择 紫 色 ) = 1 2 ⋅ 2 4 + 1 2 ⋅ 1 2 p(球=紫色) \\ =p(选择灰桶) \cdot p(从灰桶中选择紫色) + p(选择绿桶) \cdot p(从灰桶中选择紫色) \\ =\frac{1}{2} \cdot \frac{2}{4} + \frac{1}{2} \cdot \frac{1}{2} p(球=紫色)=p(选择灰桶)⋅p(从灰桶中选择紫色)+p(选择绿桶)⋅p(从灰桶中选择紫色)=21​

最低0.47元/天 解锁文章
以梦为光
关注
机器学习：朴素贝叶斯模型算法原理（含实战案例）
阿极的博客
03-13 6342
朴素贝叶斯模型是一种非常经典的机器学习模型，它主要基于贝叶斯公式，在应用过程中会把数据集中的特征看成是相互独立的，而不需考虑特征间的关联关系，因此运算速度较快。相比于其他经典的机器学习模型，朴素贝叶斯模型的泛化能力稍弱，不过当样本及特征的数量增加时，其预测效果也是不错的。
机器学习（三）：朴素贝叶斯（NB）
tb店铺搜：FUN STORE玩物社，专业买手挑选送礼好物
04-13 2058
引言：     朴素贝叶斯（naïve Bayes）法是基于贝叶斯定理与特征条件独立假设的分类方法。在统计学中，相互独立的含义是它们中一个已发生，不影响另一个发生的概率，即特征条件独立指一个特征出现的可能性与它的相邻没有关系。     基本思想如下：     假设训练集标记类别集合为{c1,c2}，P(c1|x1,x2)为给定数据点(x1,x2)来自类别c1的概率；P(c2|x1,x2)为给...
Assignment 2 naive Bayes.py
06-26
Coursera NLP课程第二周Assignment
【机器学习】朴素贝叶斯算法（Naive Bayes，NB）
数据森麟
04-06 9230
作者：田志晨 来源：小田学Python贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，N...
机器学习2：Naive Bayes（朴素贝叶斯）
qqqinrui的博客
11-29 227
参考：https://blog.csdn.net/syoya1997/article/details/78618885贝叶斯模型的讲解 贝叶斯模型 ，二分类中展开为 P(H) – 已知的先验概率 P(H|E) – 我们想求的后验概率，即在B事件发生后对于事件A概率的评估 P(E|H) – 在事件H下观测到E的概率 P(E) – marginal likelihood(边际似然)，对于所...
机器学习（三）：朴素贝叶斯分类算法
LTC_1234的博客
08-14 1132
public abstract class ScenarioBasedTestBase extends TestBase { private ResourceManagerApp resourceMgr; private TrafficModel tmd = null; private Logger logger = LoggerFactory.getLogger(Sc...
机器学习----朴素贝叶斯 (Naive Bayes)算法原理及python实现
weixin_43580130的博客
08-06 2324
朴素贝叶斯算法是一种有监督的分类算法，可以进行二分类，或者多分类。基于概率论的贝叶斯定理，应用非常广泛，从文本分类、垃圾邮件过滤器、医疗诊断等等。朴素贝叶斯适用于特征之间的相互独立的场景，例如利用花瓣的长度和宽度来预测花的类型。 “朴素”的内涵可以理解为特征和特征之间独立性强。 算法python实现如下，共收集两个代码，代码1为使用iris数据集，仅输出预测准确率，代码2使用简单的文字词语，进行预测某些词语是否为垃圾邮件关键词。 代码1 ： import numpy as np import matplot
NaiveBayes:朴素贝叶斯算法
07-08
在机器学习领域，朴素贝叶斯因其简单、易于理解和实现而被广泛应用，尤其在文本分类、垃圾邮件过滤、情感分析等场景中表现出色。 **算法原理** 朴素贝叶斯算法的核心是贝叶斯定理，该定理描述了在已知某些证据的...
朴素贝叶斯法（Naive Bayes，NB）（结合例子推公式，通俗易懂）
weixin_46838605的博客
02-16 4190
朴素贝叶斯是一种概率模型，同时也是参数化模型，经常用于监督学习的分类应用中，例如垃圾邮件分类。对于训练集，首先学习输入输出的联合概率分布模型，然后基于此模型，对给出的输入x，利用贝叶斯定理求出后验概率最大的输出y。 先来看看最终的公式： y=argmaxP(Y=ck)∏jP(X(j)=x(j)∣Y=ck) y = argmaxP(Y=c_k)\prod_{j}P(X^{(j)}=x^{(j)}|Y=c_k) y=argmaxP(Y=ck​)j∏...
深入理解贝叶斯分类与朴素贝叶斯模型（Naive Bayes, NB）：从基础到实战
weixin_54703767的博客
12-02 971
一种通常的做法是忽略文本中的词序关系，假设各个特征词的位置都是可以互换的，即词袋模型（Bag Of Word，BOW）。基于以上条件的贝叶斯模型，称为。计算机，t2 = 排球，t3 = 运动会，t4 = 高校，t5 = 大学，y = 1表示教育类，y = 0表示体育类，可以得到如下参数估计结果。在朴素贝叶斯分类器中，特征之间的独立性假设是一个简化，但在实际应用中，该方法在垃圾邮件过滤等任务上表现良好。从参数估计的结果例可以看出，在多项式分布假设下，频率正是概率的最大似然估计值，例如，类别概率。
机器学习（二）——朴素贝叶斯(NB)模型
快乐星球小怪兽的博客
03-17 1389
1 基础知识 1.1 条件概率 条件概率是指我们感兴趣的事一件事先发生作为前提下，发生的概率。给定事件B在事件A发生的前提下发生的概率记为P(B|A)： P(B∣A)=P(A,B)P(A) P(B|A) = \frac{P(A,B)}{P(A)}\,P(B∣A)=P(A)P(A,B)​ 其中P(A,B)表示A、B同时发生的概率，P(A)表示A事件发生的概率。 1.2 贝叶斯规则 我们经常会需要在已知P(A|B)的情况下求P(B|A)。例如医生知道某种病存在什么症状，但是在诊断时，医生是根据病人出现的症状确定
聚类算法简析（一）：朴素贝叶斯算法
木野归郎
02-25 1537
点击 “蓝字” 关注我们朴素贝叶斯算法常用于分类与预测的问题，比如给一个1000本书进行分类，可以分为文学类，管理类，技术类，教育类等等，即算法得到的结果是一组离散的代表类别的数据。比...
大模型综述
最新发布
posuosini的博客
02-23 1991
有关当下大模型的模型分类，推理加速，训练加速工具概览
朴素贝叶斯 Naive Bayes Classifier
JasonH2021的博客
05-27 2893
本文主要简单介绍了朴素贝叶斯的基本概念，优缺点，应用场景，建模时的注意事项，模型的评价指标，以及朴素贝叶斯在解决分类任务时的python实现方法和示例等。
【朴素贝叶斯】深入浅出讲解朴素贝叶斯算法（公式、原理）
热门推荐
程序星空实验室
06-02 4万+
朴素贝叶斯（Naive Bayes）是一种简单经典的分类算法，它的经典应用案例为人所熟知：文本分类（如垃圾邮件过滤）。条件概率：记事件A发生的概率为P(A)，事件B发生的概率为P(B)，则在B事件发生的前提下，A事件发生的概率即为条件概率，记为P(A|B)。
使用机器学习异常检测攻击行为
focus on security
12-13 1367
一般现有的内部威胁检测算法都会被转化为异常检测来做，我个人认为在内部威胁检测领域除了异常检测这一killing part之外，识别攻击动机以及区分异常和攻击也是重点（大型立flag现场：另一篇论文中了，我就写这个），首先这篇文章就对现有的异常检测算法做一个综述。 异常检测算法 内部威胁检测主要是基于用户的网络、文件、设备、邮件等审计日志构建正常用户行为模型，之后使用包括图、机器学习、集成学习等方法对当前行为进行异常检测。 •基于机器学习的异常检测方法 使用包括SVM、朴素贝叶斯等方法对用户行为模型.
机器学习之朴素贝叶斯算法的详解（包含高斯朴素贝特斯、多项式朴素贝叶斯、伯努利朴素贝叶斯，以及相应算法的简单实现）
weixin_40247876的博客
06-02 7203
机器学习18_贝叶斯算法详解（2021.06.02） 一. 朴素贝叶斯算法 为什么需要朴素贝叶斯算法？ 比如说，我们想预测一个人究竟是否能够侥幸在空难中生还，那么我们就需要建立一个分类模型来学习我们的训练集。在训练集中，其中一个人的特征是30岁，男，普通舱，他最终在空难中去世了。训练完成后，当我们使用训练好的模型进行测试的时候，测试的目标的特征也是30岁，男，普通舱，那么我们的模型必然会给这个人打上去世的标签。然而事实却不一定为此，也许这个人正好坐在了离逃生口最近的位置，他得到了第一时间的救治而生存下来了
牛掰的算法系列：朴素贝叶斯算法
qq_45285294的博客
10-11 374
朴素贝叶斯（Naive Bayesian algorithm）是有监督学习的一种分类算法，它基于“贝叶斯原理”实现，该原理的提出人是英国著名数学家。因此你不要害怕千奇百怪的名字，它们大多数都由发明者的名字来命名。贝叶斯原理是基于概率论和统计学的相关知识实现的，因此在正式学习“朴素贝叶斯算法”前，我们有必要先了解几个概念以及认识“贝叶斯原理”。
机器学习基础：朴素贝叶斯算法在文本分类中的应用
"这篇资源主要介绍了用于学习和分类文本的朴素贝叶斯算法在机器学习中的应用，结合了基本概念、数学定义、算法的具体应用、与其他算法的比较以及未来发展方向。" 朴素贝叶斯算法是一种基于概率的分类方法，尤其在...
评论 1
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