朴素贝叶斯（分类模型）

最新推荐文章于 2023-05-22 15:44:02 发布
最新推荐文章于 2023-05-22 15:44:02 发布
阅读量1.4k 收藏 9
点赞数 1
文章标签： 分类 机器学习 人工智能
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_47547293/article/details/120921921
版权
本文介绍了朴素贝叶斯分类模型的基本原理和数学表达，包括先验概率和条件概率的计算。通过西瓜分类的例子详细解释了模型如何工作，并提到了拉普拉斯修正方法来处理概率估计问题。同时，讨论了参数估计中的极大似然估计法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1、基本假设：各个维度上的特征被分类的条件概率之间是相互独立的

2、原理：单独考量每一维度特征被分类的条件概率，进而综合这些概率并对其所在的特征向量做出分类预测。

3、数学表达

 p(y)的获得其实也较为简单：计算D中y的各个情况出现的频率即可（这里用到了大数定律：当训练集包含充足的独立同分布样本时，P(y)可通过各类样本出现的频率来进行估计）

p(x|y)的获得略显困难，因为x往往包含多个相关因素（是一个多种因素构成的向量）。

所以目标转换为      agrmax 

 

 4、例子讲解

(1) 假设我们的任务是根据一个西瓜的特征来在它被吃之前判断它是否是个好瓜。现在我们有以下数据集：

最低0.47元/天 解锁文章
xsxcoco
关注
朴素贝叶斯分类器
qwe1747133883的博客
10-08 4830
朴素贝叶斯分类器 首先要清楚朴素贝叶斯分类器是基于“属性条件独立性假设”，即所有属性相互独立，换句话说就是，假设每个属性独立的对分类结果产生影响。 显然，朴素贝叶斯分类器的训练过程就是基于训练集D来估计类先验概率 P(C）,并为每个属性估计条件概率P(xi | c）。说到底，朴素贝叶斯分类器就是由先验概率和条件概率组成。 1、 先验概率 其中D表示的是总共有多少个样本，Dc表示的是整体样本中c类样本的数量； 2、条件概率 在该式中，Dc所代表的意思与先验概率相同，即整体样本中c类样本的数量；Dc,xi
朴素贝叶斯分类模型
Gfqwy2021
03-28 1292
朴素贝叶斯分类模型是一种简单的构造分类器的方法。朴素贝叶斯分类模型是将问题分为特征向量和决策向量，并假设问题的特征向量都是相互独立地作用于决策向量的，即问题的特征之间都是互不相关的。尽管有这样过于简单的假设，但朴素贝叶斯分类模型能指数级降低贝叶斯网络构建的复杂性，同时还能较好地处理训练样本的噪声和无关属性，所以朴素贝叶斯分类模型仍然在很多现实问题中有着高效的应用，例如入侵检测和文本分类等领域。目...
朴素贝叶斯
HarvardFly的博客
05-22 347
朴素贝叶斯 朴素贝叶斯中的朴素一词的来源是假设各特征之间相互独立。这一假设使得朴素贝叶斯算法变得简单，但有时会牺牲一定的分类准确率。朴素贝叶斯经常会用于文本分类，它的思想是基于条件概率和联合概率： 条件概率：事件A在另外一个事件B已经发生的条件下发生的概率 记作：P(A|B)特性：P(A1,A2|B) = P(A1|B)P(A2|B)注意：此条...
朴素贝叶斯算法（NB） 概率图模型（1）
promisejia
03-07 3424
概率图模型分为贝叶斯网络（Bayesian Network）和马尔可夫网络（Markov Network）两大类。 贝叶斯网络可以用一个有向图结构表示，如 朴素贝叶斯模型、隐马尔可夫模型、主题模型。 马尔可夫网络可以表示成一个无向图的网络结构，如 最大熵模型、条件随机场。 朴素贝叶斯网络的图表示 概率图中，每个节点的概率可以表示为: P(当前节点|它的父节点) ，写出联合概率分布：如图中所示： ...
《统计学习方法》（李航著）读书笔记 第四章 朴素贝叶斯法
weixin_43826681的博客
10-18 287
相关视频： 朴素贝叶斯分类器 (Naive Bayes Classifier) 目录第四章 朴素贝叶斯法4.1 朴素贝叶斯法的学习与分类4.2 朴素贝叶斯法的参数估计 第四章 朴素贝叶斯法 朴素贝叶斯（naive Bayes）法：基于贝叶斯定理与特征条件独立假设的分类方法 假设：特征条件独立 学习：输入/输出的联合概率分布 输入：x 输出：利用贝叶斯定理求出后验概率最大的输出y 4.1 朴素贝叶斯法的学习与分类 4.1.1 基本方法 朴素贝叶斯法：生成模型 条件独立假设使朴素贝叶斯法变得简单，但有时会
【AI数学】概率机器学习（二）：朴素贝叶斯分类器
木盏
03-16 2065
朴素贝叶斯分类器，英文叫’naive Bayes classifier’.顾名思义，就是很naive的一个算法。naive主要体现在一个方面 —— “属性条件独立性假设”。就是用贝叶斯算法进行分类的时候，假设所有的属性相互独立。 公式符号说明： AAA表示输入属性，等价x和x⃗x→\vec{x}(x粗写表示这是一个多维向量)。 BiBiB_i表示分类的类别，等价ccc。 xixix_i表示x...
朴素贝叶斯分类模型完整代码
03-12
朴素贝叶斯分类模型是一种基于概率的机器学习方法，它在文本分类、情感分析等领域有着广泛的应用。这个压缩包文件提供了实现朴素贝叶斯分类模型的完整代码，包括从数据预处理到模型评估的全部流程。以下是关于这个...
朴素贝叶斯模型.xmind 思维脑图
11-02
为什么“朴素” 原因 因为它假定所有的特征在数据集中的作用是同样重要和独立的，正如我们所知，这个假设在现实世界中是很不真实的，因此，说是很“朴素的”。
文本分类，使用机器学习算法，如朴素贝叶斯、逻辑回归、支持向量机等
04-27
评估文本分类模型通常使用准确率、精确率、召回率和F1分数等指标。此外，交叉验证（如k折交叉验证）可以评估模型的泛化能力。通过调整超参数（如SVM的C和γ参数），或者采用集成学习方法（如随机森林、梯度提升机）...
C++实现朴素贝叶斯分类器(加强版)
09-14
由于朴素贝叶斯分类器假设特征之间相互独立，因此可以简化计算，使得模型实现更为简单。 在C++中实现朴素贝叶斯分类器，我们需要以下几个关键步骤： 1. 数据预处理：收集和清洗数据，将其转化为适合训练的格式。这...
数学建模-朴素贝叶斯分类器
m0_52792591的博客
08-18 1544
前言 大家好，今天是坚持写作的第二天，今天主要介绍一下贝叶斯分类器的主要内容。说起贝叶斯这个名字，可能大部分同学都比较熟悉。以贝叶斯理论为基础的朴素贝叶斯分类器目前任然是十大流行的数据挖掘算法之一，不过这么厉害的一个理论，他的创造者竟然是英国的一位神父，真的令人有一点点匪夷所思。 贝叶斯思想简介 贝叶斯学派和传统的频率派是概率论中两大经典的理论学说，频率派的思想我想大家都比较熟悉，比如，一个班级中有50个人，现在要选一个人当班长，每个人被选中的概率就是1/50。而贝叶斯理论其实很大一部分是建立在条件概率的基
朴素贝叶斯分类器——理论
老笨妞
10-11 2086
通过《统计学习方法》第4章了解朴素贝叶斯分类器基本原理，同时，“龙心尘”关于朴素贝叶斯的三篇博文也受益匪浅。博客地址：http://blog.csdn.net/longxinchen_ml/article/details/50597149 本文总结朴素贝叶斯的基本原理，并通过龙心尘的朴素贝叶斯分类器的程序和自己的word2vec+knn文本分类器以及word2vec+mlp文本分类器做效果对比。刚
贝叶斯分类初识
最爱山间那朵云
01-17 453
http://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html 对于分类问题，其实谁都不会陌生，说我们每个人每天都在执行分类操作一点都不夸张，只是我们没有意识到罢了。例如，当你看到一个陌生人，你的脑子下意识判断TA是男是女；你可能经常会走在路上对身旁的朋友说“这个人一看就很有钱、那边有个非主流”之类的话
【机器学习】贝叶斯分类与概率图模型
最新发布
小白有颗大白梦的博客
05-22 1025
机器学习中的贝叶斯分类以及概率图模型，主要包括朴素贝叶斯、半朴素贝叶斯、有向图无向图、马尔科夫随机场、隐马尔科夫等问题
机器学习系列（4）——朴素贝叶斯法
从此醉
08-22 3014
本文介绍朴素贝叶斯分类器算法，及其在sklearn中的实现。 0x01、朴素贝叶斯法简介 朴素贝叶斯（naive Bayes）法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。 （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 ，然后求得后验概率分布 。具体来说，利用训练数据学习 和 的估计，得到联合概率分布：。概率估计...
朴素贝叶斯分类器_机器学习-贝叶斯分类器
weixin_39639096的博客
12-06 1550
目录：1.贝叶斯分类器的基础2.朴素贝叶斯分类器3.朴素贝叶斯分类实例4.关于朴素贝叶斯容易忽略的点5.朴素贝叶斯分类器的优缺点1. 摘要贝叶斯分类器是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类器。而朴素贝叶斯分类器是贝叶斯分类器中最简单，也是最常见的一种分类方法。并且，朴素贝叶斯算法仍然是流行的十大挖掘算法之一，该算法是有监督的学习算法，解决的是分类问题。该算法的优点在...
概率图模型基础(3)——贝叶斯网络的独立性
Mortal's blog
09-10 6996
贝叶斯网络的独立性1. 贝叶斯网的基本独立性2. 图与分布2.1 I-Maps(independency map)2.1.1 I-Maps是啥？2.1.1.1 定义2.1.1.2 理解2.1.2 等价I-Maps2.1.2.1 定义2.1.2.2 例子2.1.3 I-Maps怎么变身分布的表达2.1.4 最小I-Map2.2 $d-sep_G(X,Y|Z)$2.3.1 定义2.2.2 寻找所有d-...
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