转载请注明作者和出处:https://blog.csdn.net/weixin_45814668
微信公众号:qiongjian0427
知乎:https://www.zhihu.com/people/qiongjian0427
Github代码获取:https://github.com/qiongjian/Machine-learning/
Python版本: Python3.x
KNN分类算法和决策树分类算法都是要求分类器做出确定的分类结果,但是,有时候分类器会产生错误;而朴素贝叶斯分类算法则是给出一个最优的猜测结果,同时给出猜测的概率估计值。
朴素一词是因为整个过程都是最原始最简单的假设。
朴素贝叶斯的优缺点
优点:数据少也有效,可以处理多类别问题。
缺点:对输入数据的准备方式较为敏感。
适用数据类型:标称型数据
贝叶斯决策理论
贝叶斯决策理论核心思想:选择具有最高概率的决策。
朴素贝叶斯就是贝叶斯决策理论的一部分。
假设这里有一个数据集,它的数据被分成了两类:类1和类2。
p1(x,y)表示数据点(x,y)属于类别1;
p2(x,y)表示数据点(x,y)属于类别2;
现有新数据(x,y),我们需要计算概率p1(x,y)和p2(x,y)的大小并进行比较,如果:
p1(x,y)>p2(|x,y),则(x,y)属于类1;
p1(x,y)<p2(x,y),则(x,y)属于类2。
条件概率
P(A|B) = P(AB)/P(B)
朴素贝叶斯准则:p(c|x)=p(x|c)*p©/p(x)
p(ci|x,y)=p(x,y|ci)*p(ci)/p(x,y)
朴素贝叶斯的假设
1.样本特征之间独立;
2.每个特征同等重要。
END